Core Concepts
少量のサンプルしか利用できない状況でも、条件付き分布モデリングを用いることで、多様で現実的な新しい画像を生成することができる。
Abstract
本論文では、少量サンプルを用いた画像合成の課題に取り組んでいる。従来のGANやVAEベースのアプローチでは、大量のデータが必要であり、少量サンプルでは不安定な収束や低品質な生成結果となる問題がある。
提案手法の Conditional Distribution Modelling (CDM) では、ディフュージョンモデルを活用し、条件付き潜在空間の分布をモデル化することで、少量サンプルでも多様で現実的な新しい画像を生成することができる。具体的には以下の手順で行う:
事前に見かけたクラスのデータを用いて、VAEとResNetを訓練する。
見かけたクラスの潜在空間の平均と分散を計算し、それらの統計量を用いて未見クラスの潜在空間分布を推定する。
推定した未見クラスの潜在空間分布を用いて、ディフュージョンモデルを訓練する。
未見クラスの潜在空間分布を、未見クラスのサンプルを用いて最適化する。
最適化された未見クラスの潜在空間分布を用いて、新しい画像を生成する。
提案手法は、既存手法と比較して、生成画像の品質と多様性の両面で優れた性能を示している。
Stats
少量のサンプルしか利用できない状況でも、提案手法は多様で現実的な新しい画像を生成できる。
提案手法は、既存手法と比較して、生成画像の品質と多様性の両面で優れた性能を示している。
Quotes
"少量サンプルを用いた画像合成は、新しいカテゴリの多様で現実的な画像を生成する上で課題となっている。"
"提案手法のCDMでは、ディフュージョンモデルを活用し、条件付き潜在空間の分布をモデル化することで、この課題に取り組んでいる。"