論文の概要: Where the Cost Falls: A Deployment-Aware Adoption Order for Stability Enhancements to Cycle-Consistent Adversarial Networks
- arxiv url: http://arxiv.org/abs/2608.14811v1
- Date: Fri, 14 Aug 2026 18:29:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.090212
- Title: Where the Cost Falls: A Deployment-Aware Adoption Order for Stability Enhancements to Cycle-Consistent Adversarial Networks
- Title（参考訳）: コストの低下: サイクル一貫性のある敵ネットワークに対する安定度向上のためのデプロイ対応型採用順序
- Abstract要約: 未ペア画像-画像間翻訳のためのサイクル一貫性のある対向ネットワークは、同じ障害を満たす。
4つの拡張はこれらの障害に対処し、通常は出力品質だけで比較される。
また、コストの落ち方によって大きく分割し、この分割によって、計算やレイテンシーの予算の下で、チームに採用の順序が与えられることも示しています。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Teams that adopt cycle-consistent adversarial networks for unpaired image-to-image translation meet the same obstacles: adversarial training oscillates or collapses, cycle consistency preserves coarse layout while finer texture drifts, and a single discriminator judging global realism misses local artifacts. Four enhancements address these failures, and they are usually compared on output quality alone. We show that they also divide sharply by where their cost falls, and that this division, which follows from the architecture and not from any particular run, yields an adoption order for teams under a compute or latency budget. A Wasserstein objective with gradient penalty, a VGG19 perceptual loss on the cycle reconstruction, and multi-scale discriminators change training only, so a team can adopt or drop them without altering what ships. Self-attention alone persists into the deployed generator, with memory growing as the square of the feature-map size, which makes it the one component a resource-constrained team should defer. We integrate all four onto a lightly tuned baseline for horse-to-zebra translation, introduced one at a time on a fixed control and then combined, and for each we give the failure mode it targets and how it integrates. We document the collapse and reconstruction-artifact modes the baseline produced, report what visual inspection of saved samples showed for each variant, and report Fréchet Inception Distance and Kernel Inception Distance for the combined model. We specify the protocol still needed, covering the individual variants, perceptual similarity, and downstream segmentation, to rank these enhancements on measured evidence.
- Abstract（参考訳）: 障害のない画像と画像の翻訳にサイクル一貫性のある敵ネットワークを採用するチームは、同じ障害を満たす: 敵のトレーニングは振動または崩壊し、サイクル一貫性は、より細かいテクスチャの漂流中に粗いレイアウトを保ち、グローバルなリアリズムを判断する単一の識別器は、局所的なアーティファクトを見逃す。
4つの拡張はこれらの障害に対処し、通常は出力品質だけで比較される。
また、コストの落ち方によって大きく分割し、この分割はアーキテクチャから、特定の実行からではなく、計算やレイテンシーの予算の下で、チームに採用の順序を与えます。
勾配のペナルティ、VGG19のサイクル再構成における知覚的損失、およびマルチスケールの差別者はトレーニングのみを変更するため、チームは船を変更せずにそれらを採用またはドロップすることができる。
セルフアテンションのみをデプロイされたジェネレータに永続化し、メモリはフィーチャーマップサイズの正方形として成長する。
馬とゼブラの翻訳を軽量に調整したベースラインに4つをすべて統合し、一度に1つを固定制御で導入し、それらを組み合わせ、それぞれがターゲットとする障害モードと、その統合方法を提供します。
本報告では, ベースラインの崩壊と復元工法, 保存標本の視覚検査を各変種毎に報告し, 複合モデルに対するフレシェ・インセプション・ディスタンスとカーネル・インセプション・ディスタンスを報告する。
我々は、測定された証拠に基づいてこれらの拡張をランク付けするために、個々の変種、知覚的類似性、下流のセグメンテーションをカバーする、まだ必要なプロトコルを規定する。
関連論文リスト
- Interpreting Object-Dependent Concept Brittleness in Text-to-Image Diffusion Models [105.53190946111586]
我々はこの現象をオブジェクト依存概念の脆さと呼ぶ。
これらの障害を監査し、最小限に修正する、解釈可能性指向のフレームワークを提案する。
複数の拡散バックボーンにまたがるスタイルと属性の故障事例について,提案手法の評価を行った。
論文 参考訳（メタデータ） (2026-09-09T09:07:40Z) - PRISM: Distribution-Gated Flow Matching for Controllable Unpaired Image Translation [0.0]
PRISMは、未ペア画像から画像への変換のためのフローマッチングフレームワークである。
ゲートの空間的先行は、各ソース特徴の標準化された距離とターゲット特徴分布から導かれる。
ゲートはテキストや検出器からの推測で局所的にオーバーライドできるが、再トレーニングはできない。
論文 参考訳（メタデータ） (2026-08-06T16:26:43Z) - When Does Consensus Mean Correctness? Measuring the Agreement-Accuracy Coupling with Semantics-Preserving Re-Rendering [0.8594140167290097]
ラベルのない信頼性信号として、摂動入力間のモデルの合意が使用される。
レンダリングは正確さと信頼性の両方で再サンプリングする。
モデル自身のクロスレンダーコンセンサスインバータを微調整する。
論文 参考訳（メタデータ） (2026-08-06T07:08:05Z) - AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
AnchorMoEは、解釈可能な構成別分類フレームワークである。
ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。
実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
論文 参考訳（メタデータ） (2026-06-02T13:30:54Z) - Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。
既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。
動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-25T09:57:46Z) - Factored Diffusion Policies:Compositionally Generalized Robot Control with a Single Score Network [1.9171512266305901]
本稿では,各因子のNull-tokenドロップアウトを学習した共有拡散ネットワークについて述べる。
トラジェクトリチューブ証明書は、このスコアレベルをリバースタイムサンプリングODEとトラッキングコントローラを介してクローズドループ状態トラジェクトリチューブにチェーンする。
ドローンレースの実験は、一般化バウンドと証明書の両方を確認します。
論文 参考訳（メタデータ） (2026-05-21T15:13:27Z) - Continuous Expert Assembly: Instance-Conditioned Low-Rank Residuals for All-in-One Image Restoration [41.34371852767098]
CEAは、オールインワン画像復元のためのトークン単位の動的パラメータ化フレームワークである。
CEAは、強力なプロンプト、ディスクリプタ、エキスパートベースのベースラインよりも平均的な復元品質を改善します。
論文 参考訳（メタデータ） (2026-05-07T12:31:24Z) - Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。
本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。
9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
論文 参考訳（メタデータ） (2026-02-09T22:48:30Z) - SA-MixNet: Structure-aware Mixup and Invariance Learning for
Scribble-supervised Road Extraction in Remote Sensing Images [85.52629779976137]
複雑化の進んだ画像シーンを作成するために,ある画像から別の画像へ道路領域を貼り付ける構造を意識したミックスアップ方式を提案する。
道路構造を保ちながら接続性を高めるために,識別器に基づく正規化が設計されている。
われわれのフレームワークは、DeepGlobe、Wuhan、およびマサチューセッツのデータセット上で優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2024-03-03T02:56:43Z) - Test-time Adaptation with Slot-Centric Models [63.981055778098444]
Slot-TTAは、半教師付きシーン分解モデルであり、シーンごとのテスト時間は、再構成やクロスビュー合成の目的に対する勾配降下を通じて適用される。
我々は、最先端の監視フィードフォワード検出器と代替テスト時間適応法に対して、配電性能が大幅に向上したことを示す。
論文 参考訳（メタデータ） (2022-03-21T17:59:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。