論文の概要: GeoNaviDiff: Transferring Disentangled Semantic Controls to Diffusion Features via Local Riemannian Navigation

• arxiv url: http://arxiv.org/abs/2610.26091v1
• Date: Mon, 19 Oct 2026 09:52:55 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:15:49.284735
• Title: GeoNaviDiff: Transferring Disentangled Semantic Controls to Diffusion Features via Local Riemannian Navigation
• Title（参考訳）: GeoNaviDiff:局所リーマンナビゲーションによる遠方性セマンティック制御の拡散特徴への移行
• Abstract要約: 切り離された実像操作は、イメージの忠実さと非ターゲットコンテンツを保存する一方で、因子固有の意味制御を必要とする。 StyleSpace $S$は解釈可能な制御を提供するが、GANの反転によって制限される。 我々はGeoNaviDiffを紹介した。GeoNaviDiffは非教師なしのクロススペースフレームワークで、不絡み合ったStyleSpaceの介入を拡散$h$-spaceのローカルな軌跡に転送する。
• 参考スコア（独自算出の注目度）: 24.572961511944143
• License:
• Abstract: Disentangled real-image manipulation requires factor-specific semantic control while preserving image fidelity and non-target content. StyleSpace $S$ provides interpretable controls but is limited by GAN inversion, whereas diffusion models offer stronger image realization without an explicit factorized control basis. We introduce GeoNaviDiff, an unsupervised cross-space framework that transfers disentangled StyleSpace interventions to local Riemannian trajectories in diffusion $h$-space. GeoNaviDiff constructs reconstruction-decoupled supervision by extracting a spherical Log-map tangent from a matched StyleGAN reconstruction-edit pair and parallel-transporting it to the real-image diffusion state. A shared, factor-conditioned Navigator predicts this tangent at inference, while norm-preserving geodesic realization and source-anchored rollout stabilize the reverse process without edited references or factor-specific models. Experiments across multiple datasets show that GeoNaviDiff outperforms the compared methods in fidelity, factor selectivity, edit locality, and trajectory smoothness.
• Abstract（参考訳）: 切り離された実像操作は、イメージの忠実さと非ターゲットコンテンツを保存する一方で、因子固有の意味制御を必要とする。 StyleSpace $S$は解釈可能な制御を提供するが、GANの反転によって制限される。 我々はGeoNaviDiffを紹介した。GeoNaviDiffは非教師なしのクロススペースフレームワークで、拡散$h$-スペースで、非絡み合ったStyleSpaceの介入を局所リーマン軌道に転送する。 GeoNaviDiffは、一致したStyleGAN再構成編集ペアから球面対の対を抽出し、それを実像拡散状態にパラレルトランスポートすることで、再構成非結合の監視を構築する。 共有された因子条件のナビゲータは推論時にこの接尾辞を予測し、標準保存された測地的実現とソースアンコールされたロールアウトは、参照やファクター固有のモデルなしで逆プロセスを安定化する。 複数のデータセットにわたる実験によると、GeoNaviDiffは比較した手法よりも忠実度、因子選択性、局所性編集、軌道の滑らかさが優れている。

関連論文リスト

• How to Relieve Distribution Shifts in Semantic Segmentation for Off-Road Environments [14.839830021615322]
  スタイル展開(SE)とテクスチャ正規化(TR)を通じてソース分布を拡大する新しいフレームワークST-Segを提案する。 分布シフトしたターゲット領域の様々な実験は、ST-Segの有効性を示し、既存の手法よりも大幅に改善された。
  論文  参考訳（メタデータ） (2026-05-28T08:37:23Z)
• 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)
• Enhancing Gradient Inversion Attacks in Federated Learning via Hierarchical Feature Optimization [56.95448807869383]
  フェデレートラーニング(FL)は、プライバシを保存する分散機械学習の魅力的なパラダイムとして登場した。 近年の研究では、FLシステムで交換される勾配もプライバシー漏洩に弱いことが報告されている。 我々は textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD) を提案する。
  論文  参考訳（メタデータ） (2026-04-01T14:32:15Z)
• Riemannian Flow Matching for Disentangled Graph Domain Adaptation [51.98961391065951]
  グラフドメイン適応(GDA)は典型的には、ユークリッド空間におけるグラフ埋め込みの整列に逆学習を使用する。 DisRFMは、埋め込みとフローベースのトランスポートを統一する幾何学的なGDAフレームワークである。
  論文  参考訳（メタデータ） (2026-01-31T11:05:35Z)
• Trajectory-Guided Diffusion for Foreground-Preserving Background Generation in Multi-Layer Documents [0.5801621787540268]
  文書中心の背景生成のための拡散型フレームワークを提案する。 前景保存と多ページスタイリスティックな整合性を実現する。 我々のアプローチは、拡散を構造化された潜在空間を通る軌道の進化として再解釈する。
  論文  参考訳（メタデータ） (2026-01-29T15:28:48Z)
• ARGUS: Adaptive Rotation-Invariant Geometric Unsupervised System [0.0]
  本稿では,データ多様体の固定空間分割上での局所統計追跡としてドリフト検出を再現するフレームワークであるArgusを紹介する。 正準正則フレーム上のボロノイテッセルレーションは変換に不変なドリフト計量をもたらす。 孤立摂動からコヒーレントな分布シフトを区別するドリフト伝播のグラフ理論的特徴付けを開発した。
  論文  参考訳（メタデータ） (2026-01-03T22:39:20Z)
• ControlTraj: Controllable Trajectory Generation with Topology-Constrained Diffusion Model [39.0442700565278]
  ControlTrajは、トポロジ制約付き拡散モデルを備えた、制御可能なトラジェクトリ生成フレームワークである。 道路セグメントの微細な埋め込みを抽出する新しい道路セグメントオートエンコーダを開発した。 符号化された特徴とトリップ属性は、後に提案された地理的なUNetアーキテクチャにマージされる。
  論文  参考訳（メタデータ） (2024-04-23T09:42:45Z)
• GIFD: A Generative Gradient Inversion Method with Feature Domain Optimization [52.55628139825667]
  Federated Learning(FL)は、クライアントのプライバシを保護するための有望な分散機械学習フレームワークとして登場した。 近年の研究では、事前学習された生成逆ネットワーク(GAN)を事前知識として活用することにより、攻撃者が共有勾配を逆転し、FLシステムに対する機密データを回復できることが示されている。 textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T04:34:21Z)
• Discovering Class-Specific GAN Controls for Semantic Image Synthesis [73.91655061467988]
  本稿では,事前訓練されたSISモデルの潜在空間において,空間的に不整合なクラス固有方向を求める新しい手法を提案する。 提案手法によって検出される潜在方向は,セマンティッククラスの局所的な外観を効果的に制御できることを示す。
  論文  参考訳（メタデータ） (2022-12-02T21:39:26Z)
• Do Not Escape From the Manifold: Discovering the Local Coordinates on the Latent Space of GANs [7.443321740418409]
  本稿では,GAN(Generative Adversarial Networks)の中間潜伏空間上での局所幾何学的軌道方向を求める手法を提案する。 潜在空間の内在的な間隔によって動機づけられた基礎は、部分ネットワークの微分の低ランク近似問題を解くことによって発見される。
  論文  参考訳（メタデータ） (2021-06-13T10:29:42Z)

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。