MARC

 008260126s2025        us                              c    eng  d
■001000017356587
■00520260202102958
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291590423
■035    ▼a(MiAaPQ)AAI31770661
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aLi,  Xiang.
■24510▼aBridging  Understanding  and  Generation:  A  Vision  Perspective
■260    ▼a[Sl]▼bCarnegie  Mellon  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a104  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Ramakrishnan,  Bhiksha.
■5021  ▼aThesis  (Ph.D.)--Carnegie  Mellon  University,  2025.
■520    ▼aUnderstanding  and  generation  are  cornerstone  capabilities  of  visual  intelligence,  enabling  systems  to  interpret  complex  visual  scenes  and  construct  meaningful  representations.  Advanced  understanding  models  exhibit  remarkable  proficiency  in  comprehending  scenes,  even  under  challenging  conditions.  Concurrently,  generative  models,  such  as  diffusion  models  and  autoregressive  models,  have  demonstrated  impressive  zero-shot  capabilities,  generating  photorealistic  images  for  diverse  and  intricate  scenarios.Despite  these  advancements,  the  interplay  between  visual  understanding  and  generation  remains  underexplored.  Visual  understanding  extracts  high-level  semantics  from  raw  RGB  images,  creating  compact  and  meaningful  representations  of  visual  scenes.  Conversely,  visual  generation  decodes  these  compact  representations  back  into  realistic  RGB  images.  Bridging  these  two  domains  presents  an  opportunity  to  foster  a  mutually  beneficial  relationship,  leveraging  their  inherent  complementarities.This  thesis  seeks  to  bridge  the  gap  between  visual  understanding  and  generation  by  exploring  how  these  domains  can  complement  and  enhance  one  another.  The  work  begins  by  analyzing  and  validating  the  individual  effectiveness  of  understanding  and  generation  models.  It  then  focuses  on  integrating  these  domains,  revealing  the  underlying  relationships  and  synergies  between  them.  The  key  contributions  of  this  thesis  are  as  follows:We  present  studies  demonstrating  how  visual  generation  can  benefit  from  visual  understanding  and  vice  versa,  leveraging  shared  knowledge  from  learned  representations.  We  explore  integrating  understanding  and  generation  within  a  unified  generative  framework,  enhancing  performance  by  enriching  the  model's  latent  space.  We  conduct  comprehensive  experiments  in  heterogeneous  settings  to  evaluate  the  impact  of  architectural  design  choices,  modalities,  and  training  methodologies.  This  thesis  provides  valuable  insights  into  intelligent  multimedia  analysis  in  the  era  of  deep  learning,  with  practical  implications  for  multimodal  forensic  understanding  and  deduction.  It  aspires  to  inspire  further  research  in  related  fields,  advancing  the  frontiers  of  visual  intelligence.
■590    ▼aSchool  code:  0041.
■650  4▼aComputer  science
■650  4▼aComputer  engineering
■650  4▼aElectrical  engineering
■653    ▼aCornerstone  capabilities
■653    ▼aVisual  intelligence
■653    ▼aZero-shot  capabilities
■690    ▼a0984
■690    ▼a0544
■690    ▼a0464
■71020▼aCarnegie  Mellon  University▼bElectrical  and  Computer  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0041
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17356587▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서