Slot-VAE: Object-Centric Scene Generation with Slot Attention

要約

スロット アテンションは、コンピュータ ビジョン タスクにおいて、監視を必要とせずに、顕著なオブジェクト中心表現の学習パフォーマンスを示しました。
決定論的モジュールとしての構成モデリングによってもたらされるオブジェクト中心のバインディング能力にもかかわらず、スロット アテンションには新しいシーンを生成する能力がありません。
この論文では、スロット VAE を提案します。これは、スロット アテンションをオブジェクト中心の構造化シーン生成のための階層 VAE フレームワークと統合する生成モデルです。
画像ごとに、モデルは同時にグローバル シーン表現を推論して高レベルのシーン構造をキャプチャし、オブジェクト中心のスロット表現を推測して個々のオブジェクト コンポーネントを埋め込みます。
生成中に、スロット表現はグローバル シーン表現から生成され、一貫したシーン構造が保証されます。
シーン生成能力の広範な評価により、サンプル品質とシーン構造の精度の点で、Slot-VAE がスロット表現ベースの生成ベースラインよりも優れていることがわかりました。

要約(オリジナル)

Slot attention has shown remarkable object-centric representation learning performance in computer vision tasks without requiring any supervision. Despite its object-centric binding ability brought by compositional modelling, as a deterministic module, slot attention lacks the ability to generate novel scenes. In this paper, we propose the Slot-VAE, a generative model that integrates slot attention with the hierarchical VAE framework for object-centric structured scene generation. For each image, the model simultaneously infers a global scene representation to capture high-level scene structure and object-centric slot representations to embed individual object components. During generation, slot representations are generated from the global scene representation to ensure coherent scene structures. Our extensive evaluation of the scene generation ability indicates that Slot-VAE outperforms slot representation-based generative baselines in terms of sample quality and scene structure accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google