ترجمه فارسی مقاله تقطیر مجموعه داده های تولیدی بر اساس مدل انتشار

چکیده

This paper presents our method for the generative track of The First Dataset Distillation Challenge at ECCV 2024. Since the diffusion model has become the mainstay of generative models because of its high-quality generative effects, we focus on distillation methods based on the diffusion model. Considering that the track can only generate a fixed number of images in 10 minutes using a generative model for CIFAR-100 and Tiny-ImageNet datasets, we need to use a generative model that can generate images at high speed. In this study, we proposed a novel generative dataset distillation method based on Stable Diffusion. Specifically, we use the SDXL-Turbo model which can generate images at high speed and quality. Compared to other diffusion models that can only generate images per class (IPC) = 1, our method can achieve an IPC = 10 for Tiny-ImageNet and an IPC = 20 for CIFAR-100, respectively. Additionally, to generate high-quality distilled datasets for CIFAR-100 and Tiny-ImageNet, we use the class information as text prompts and post data augmentation for the SDXL-Turbo model. Experimental results show the effectiveness of the proposed method, and we achieved third place in the generative track of the ECCV 2024 DD Challenge. Codes are available at https://github.com/Guang000/BANKO.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله روش ما برای آهنگ تولیدی اولین چالش تقطیر مجموعه داده ها در ECCV 2024 ارائه شده است. از آنجا که مدل انتشار به دلیل اثرات تولیدی با کیفیت بالا ، به اصلی ترین مدل های تولیدی تبدیل شده است ، ما بر روی روش های تقطیر مبتنی بر مدل انتشار تمرکز می کنیم.با توجه به اینکه این آهنگ فقط می تواند با استفاده از یک مدل تولیدی برای مجموعه داده های Cifar-100 و Tiny-Imagenet ، تعداد مشخصی از تصاویر را در 10 دقیقه ایجاد کند ، ما باید از یک مدل تولیدی استفاده کنیم که می تواند با سرعت بالا تصاویر ایجاد کند.در این مطالعه ، ما یک روش تقطیر مجموعه داده های تولیدی جدید را بر اساس انتشار پایدار پیشنهاد کردیم.به طور خاص ، ما از مدل SDXL-Turbo استفاده می کنیم که می تواند تصاویر را با سرعت و کیفیت بالا تولید کند.در مقایسه با سایر مدل های انتشار که فقط می توانند در هر کلاس تصاویر (IPC) = 1 ایجاد کنند ، روش ما می تواند به ترتیب IPC = 10 را برای Imagenet کوچک و IPC = 20 برای CIFAR-100 به دست آورد.علاوه بر این ، برای تولید مجموعه داده های مقطر با کیفیت بالا برای CIFAR-100 و Imagenet Tiny ، ما از اطلاعات کلاس به عنوان متن متن استفاده می کنیم و افزایش داده ها را برای مدل SDXL توربو ارسال می کنیم.نتایج تجربی اثربخشی روش پیشنهادی را نشان می دهد ، و ما در مسیر تولیدی چالش ECCV 2024 DD به مقام سوم رسیدیم.کدها در https://github.com/guang000/banko در دسترس هستند.