Fugu-MT 論文翻訳(概要): Region Normalization for Image Inpainting

論文の概要: Region Normalization for Image Inpainting

arxiv url: http://arxiv.org/abs/1911.10375v2
Date: Tue, 14 Mar 2023 11:38:46 GMT
ステータス: 処理完了
システム内更新日: 2023-03-25 04:13:12.793396
Title: Region Normalization for Image Inpainting
Title（参考訳）: 画像塗布における領域正規化
Authors: Tao Yu, Zongyu Guo, Xin Jin, Shilin Wu, Zhibo Chen, Weiping Li, Zhizheng Zhang, Sen Liu
Abstract要約: 特徴正規化(英: Feature Normalization, FN)は、ニューラルネットワークのトレーニングを支援する重要な技術である。本研究は,フル空間FNによる平均変化と分散変化が,ネットワークトレーニングに影響を及ぼすイメージを制限していることを示す。本研究では,領域正規化(RN)と呼ばれる空間領域正規化を提案し,その限界を克服する。
参考スコア（独自算出の注目度）: 52.17610250998762
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Feature Normalization (FN) is an important technique to help neural network training, which typically normalizes features across spatial dimensions. Most previous image inpainting methods apply FN in their networks without considering the impact of the corrupted regions of the input image on normalization, e.g. mean and variance shifts. In this work, we show that the mean and variance shifts caused by full-spatial FN limit the image inpainting network training and we propose a spatial region-wise normalization named Region Normalization (RN) to overcome the limitation. RN divides spatial pixels into different regions according to the input mask, and computes the mean and variance in each region for normalization. We develop two kinds of RN for our image inpainting network: (1) Basic RN (RN-B), which normalizes pixels from the corrupted and uncorrupted regions separately based on the original inpainting mask to solve the mean and variance shift problem; (2) Learnable RN (RN-L), which automatically detects potentially corrupted and uncorrupted regions for separate normalization, and performs global affine transformation to enhance their fusion. We apply RN-B in the early layers and RN-L in the latter layers of the network respectively. Experiments show that our method outperforms current state-of-the-art methods quantitatively and qualitatively. We further generalize RN to other inpainting networks and achieve consistent performance improvements. Our code is available at https://github.com/geekyutao/RN.
Abstract（参考訳）: 特徴正規化(英: feature normalization、fn)は、ニューラルネットワークのトレーニングを支援する重要な技術である。入力画像の劣化領域が正規化、例えば平均と分散シフトに与える影響を考慮せずに、以前の画像塗装法はネットワークにFNを適用している。本研究では,フル空間FNによる平均変化と分散変化がネットワークトレーニングに影響を及ぼす画像を制限することを示し,領域正規化(RN)と呼ばれる空間領域正規化を提案し,その限界を克服する。 RNは入力マスクに従って空間画素を異なる領域に分割し、正規化のために各領域の平均と分散を計算する。画像塗布ネットワークでは,(1)劣化した領域と破壊されていない領域を別々に正規化する基本RN(RN-B),(2)劣化した領域と破壊されていない領域を別々に検出する学習可能なRN(RN-L)の2種類を開発し,融合を促進するグローバルアフィン変換を行った。ネットワークの初期層にRN-B、後者層にRN-Lをそれぞれ適用する。実験により,本手法が現在の最先端手法を定量的に定性的に上回ることを示した。 RNを他の塗装ネットワークに一般化し、一貫した性能改善を実現する。私たちのコードはhttps://github.com/geekyutao/rnで利用可能です。

関連論文リスト

MrRegNet: Multi-resolution Mask Guided Convolutional Neural Network for Medical Image Registration with Large Deformations [6.919880141683284]
MrRegNetはマスク誘導型エンコーダデコーダDCNNによる画像登録方式である。セグメンテーションマスクでガイドされた局所領域では画像アライメントの精度が著しく向上する。
論文参考訳（メタデータ） (2024-05-16T12:57:03Z)
A Prototype-Based Neural Network for Image Anomaly Detection and Localization [10.830337829732915]
本稿では,画像の異常検出と局所化のためのプロトタイプベースニューラルネットワークProtoADを提案する。まず,自然画像に事前学習したディープネットワークにより,通常の画像のパッチの特徴を抽出する。 ProtoADは、推論速度の高い最先端の手法と比較して、競争性能が向上する。
論文参考訳（メタデータ） (2023-10-04T04:27:16Z)
RePaint: Inpainting using Denoising Diffusion Probabilistic Models [161.74792336127345]
Free-form Inpaintingは任意のバイナリマスクで指定された領域のイメージに新しいコンテンツを追加するタスクである。 RePaint: A Denoising Probabilistic Model (DDPM) を用いた塗装手法を提案する。本手法は,標準的なマスクと極端マスクを用いて,顔と汎用画像の塗装の両面で検証する。
論文参考訳（メタデータ） (2022-01-24T18:40:15Z)
Reciprocal Normalization for Domain Adaptation [31.293016830229313]
バッチ正規化(BN)は、現代のディープニューラルネットワークで広く使われている。本稿では,新たな正規化手法であるReciprocal Normalization(RN)を提案する。 RNはUDA問題に適しており、一般的なドメイン適応手法に容易に組み込むことができる。
論文参考訳（メタデータ） (2021-12-20T12:17:22Z)
Dual-Flow Transformation Network for Deformable Image Registration with Region Consistency Constraint [95.30864269428808]
現在のディープラーニング(DL)ベースの画像登録アプローチは、畳み込みニューラルネットワークを利用して、ある画像から別の画像への空間変換を学習する。一対のイメージ内のROIの類似性を最大化する領域整合性制約を持つ新しいデュアルフロー変換ネットワークを提案する。 4つの公開3次元MRIデータセットを用いた実験により,提案手法は精度と一般化において最高の登録性能が得られることを示した。
論文参考訳（メタデータ） (2021-12-04T05:30:44Z)
Global and Local Alignment Networks for Unpaired Image-to-Image Translation [170.08142745705575]
未ペア画像から画像への変換の目的は、対象領域のスタイルを反映した出力画像を作成することである。既存の手法では内容変化に注意が払われていないため、ソース画像からの意味情報は翻訳中の劣化に悩まされる。我々はGLA-Net(Global and Local Alignment Networks)という新しいアプローチを導入する。本手法は既存の手法よりもシャープでリアルな画像を効果的に生成する。
論文参考訳（メタデータ） (2021-11-19T18:01:54Z)
Rotaflip: A New CNN Layer for Regularization and Rotational Invariance in Medical Images [0.0]
本稿では,各畳み込み層の後,少数の特徴写像に対して反射のランダムな回転を適用して正規化を行うCNN層を提案する。医用画像などの配向対称性を持つ画像に対して,この概念が有用であることを示す。
論文参考訳（メタデータ） (2021-08-05T16:13:36Z)
BaMBNet: A Blur-aware Multi-branch Network for Defocus Deblurring [74.34263243089688]
畳み込みニューラルネットワーク(CNN)は、デフォーカス劣化問題に導入され、大きな進歩を遂げた。本研究では,異なる領域(ブラー量が異なる)を区別して扱う新しいマルチブランチネットワーク(BaMBNet)を設計する。定量的および定性的な実験は、BaMBNetが最先端の手法より優れていることを示している。
論文参考訳（メタデータ） (2021-05-31T07:55:30Z)
DualNorm-UNet: Incorporating Global and Local Statistics for Robust Medical Image Segmentation [29.368070780337415]
バッチ正規化(BN)は,ネットワークトレーニングを加速する鍵となる要素の一つであり,医用画像解析分野で広く採用されている。本稿では,意味クラス情報を正規化層に組み込むことにより,異なる領域に対応するアクティベーションを異なる方法で変調できるようにする。本手法は正規化における意味的知識を活用し,頑健なセグメンテーション結果に対してより識別的特徴を与える。
論文参考訳（メタデータ） (2021-03-29T18:09:56Z)
Cross-Scale Internal Graph Neural Network for Image Super-Resolution [147.77050877373674]
自然画像における非局所的な自己相似性は、画像修復に有効な先行研究として、よく研究されている。単一の画像超解像(SISR)の場合、既存のディープ非局所法のほとんどは、低解像度(LR)入力画像と同じ規模のパッチしか利用していない。これは、新しいクロススケールな内部グラフニューラルネットワーク(IGNN)を用いて実現される。
論文参考訳（メタデータ） (2020-06-30T10:48:40Z)

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。