論文の概要: Concurrently Extrapolating and Interpolating Networks for Continuous
Model Generation
- arxiv url: http://arxiv.org/abs/2001.03847v1
- Date: Sun, 12 Jan 2020 04:44:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-12 04:50:46.785531
- Title: Concurrently Extrapolating and Interpolating Networks for Continuous
Model Generation
- Title(参考訳): 連続モデル生成のための同時外挿・補間ネットワーク
- Authors: Lijun Zhao, Jinjing Zhang, Fan Zhang, Anhong Wang, Huihui Bai, Yao
Zhao
- Abstract要約: 本稿では,一組の特定効果ラベル画像のみを必要とするモデル列を形成するための,シンプルで効果的なモデル生成戦略を提案する。
提案手法は一連の連続モデルの生成が可能であり,画像平滑化のための最先端手法よりも優れた性能が得られることを示す。
- 参考スコア(独自算出の注目度): 34.72650269503811
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Most deep image smoothing operators are always trained repetitively when
different explicit structure-texture pairs are employed as label images for
each algorithm configured with different parameters. This kind of training
strategy often takes a long time and spends equipment resources in a costly
manner. To address this challenging issue, we generalize continuous network
interpolation as a more powerful model generation tool, and then propose a
simple yet effective model generation strategy to form a sequence of models
that only requires a set of specific-effect label images. To precisely learn
image smoothing operators, we present a double-state aggregation (DSA) module,
which can be easily inserted into most of current network architecture. Based
on this module, we design a double-state aggregation neural network structure
with a local feature aggregation block and a nonlocal feature aggregation block
to obtain operators with large expression capacity. Through the evaluation of
many objective and visual experimental results, we show that the proposed
method is capable of producing a series of continuous models and achieves
better performance than that of several state-of-the-art methods for image
smoothing.
- Abstract(参考訳): 多くの深層画像平滑化演算子は、異なるパラメータで設定されたアルゴリズムごとに、異なる明示的な構造-テクスチャペアをラベルイメージとして使用する場合、常に繰り返し訓練される。
このようなトレーニング戦略は、しばしば長い時間をかけて、機器リソースをコストのかかる方法で消費します。
この課題に対処するために、より強力なモデル生成ツールとして、連続ネットワーク補間を一般化し、特定の効果ラベル画像のセットのみを必要とするモデル列を形成するための、単純かつ効果的なモデル生成戦略を提案する。
画像平滑化演算子を正確に学習するために、現在のネットワークアーキテクチャの大部分に簡単に挿入できる二重状態集約(DSA)モジュールを提案する。
このモジュールに基づき、局所特徴集約ブロックと非局所特徴集約ブロックを備えた二重状態集約ニューラルネットワーク構造を設計し、表現能力の高い演算子を得る。
多くの客観的および視覚的実験結果の評価を通じて,提案手法は連続したモデルを生成することができ,画像平滑化のための最先端手法よりも優れた性能が得られることを示す。
関連論文リスト
- Efficient Multi-scale Network with Learnable Discrete Wavelet Transform for Blind Motion Deblurring [25.36888929483233]
そこで本研究では,シングルインプットとマルチアウトプット(SIMO)に基づくマルチスケールネットワークを提案する。
実世界の軌道特性を学習可能なウェーブレット変換モジュールと組み合わせて、ぼやけた画像から鋭い画像へのステップバイステップ遷移の方向連続性と周波数特性に着目した。
論文 参考訳(メタデータ) (2023-12-29T02:59:40Z) - Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。
CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。
DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文 参考訳(メタデータ) (2023-10-11T12:46:11Z) - Interpretable Small Training Set Image Segmentation Network Originated
from Multi-Grid Variational Model [5.283735137946097]
深層学習法 (DL) が提案され, 画像分割に広く利用されている。
DLメソッドは通常、トレーニングデータとして大量の手動セグメントデータを必要とし、解釈性に乏しい。
本稿では,MSモデルにおける手作り正則項をデータ適応型一般化可学習正則項に置き換える。
論文 参考訳(メタデータ) (2023-06-25T02:34:34Z) - A Model-data-driven Network Embedding Multidimensional Features for
Tomographic SAR Imaging [5.489791364472879]
多次元特徴量に基づくトモSARイメージングを実現するためのモデルデータ駆動型ネットワークを提案する。
画像シーンの多次元的特徴を効果的に向上するために、2つの2次元処理モジュール(畳み込みエンコーダ-デコーダ構造)を追加します。
従来のCS-based FISTA法とDL-based gamma-Net法と比較して,提案手法は良好な画像精度を有しつつ,完全性を向上させる。
論文 参考訳(メタデータ) (2022-11-28T02:01:43Z) - Lightweight Long-Range Generative Adversarial Networks [58.16484259508973]
本稿では、画像生成プロセスにおける長距離依存性を効果的にキャプチャできる、新しい軽量な生成対向ネットワークを提案する。
提案した長距離モジュールは、トレーニングを安定させる正規化として機能し、画素間の負の関係を強調することができる。
我々の新しいロングレンジモジュールは、いくつかの追加パラメータしか導入せず、既存のモデルに簡単に挿入して、ロングレンジの依存関係をキャプチャする。
論文 参考訳(メタデータ) (2022-09-08T13:05:01Z) - CM-GAN: Image Inpainting with Cascaded Modulation GAN and Object-Aware
Training [112.96224800952724]
複雑な画像に大きな穴をあける際の可視像構造を生成するためのカスケード変調GAN(CM-GAN)を提案する。
各デコーダブロックにおいて、まず大域変調を適用し、粗い意味認識合成構造を行い、次に大域変調の出力に空間変調を適用し、空間適応的に特徴写像を更に調整する。
さらに,ネットワークがホール内の新たな物体を幻覚させるのを防ぐため,実世界のシナリオにおける物体除去タスクのニーズを満たすために,オブジェクト認識型トレーニングスキームを設計する。
論文 参考訳(メタデータ) (2022-03-22T16:13:27Z) - Meta Internal Learning [88.68276505511922]
単一画像生成のための内部学習は、単一の画像に基づいて新しい画像を生成するようにジェネレータを訓練するフレームワークである。
本稿では,サンプル画像の内部統計をより効果的にモデル化するために,画像集合のトレーニングを可能にするメタラーニング手法を提案する。
以上の結果から, 得られたモデルは, 多数の共通画像アプリケーションにおいて, シングルイメージのGANと同程度に適していることがわかった。
論文 参考訳(メタデータ) (2021-10-06T16:27:38Z) - MOGAN: Morphologic-structure-aware Generative Learning from a Single
Image [59.59698650663925]
近年,1つの画像のみに基づく生成モデルによる完全学習が提案されている。
多様な外観のランダムなサンプルを生成するMOGANというMOrphologic-structure-aware Generative Adversarial Networkを紹介します。
合理的な構造の維持や外観の変化など、内部機能に重点を置いています。
論文 参考訳(メタデータ) (2021-03-04T12:45:23Z) - TSIT: A Simple and Versatile Framework for Image-to-Image Translation [103.92203013154403]
画像間翻訳のためのシンプルで多用途なフレームワークを提案する。
新たに提案した特徴変換を用いた2ストリーム生成モデルを提案する。
これにより、マルチスケールのセマンティック構造情報とスタイル表現を効果的に捕捉し、ネットワークに融合させることができる。
体系的な研究は、提案手法をいくつかの最先端タスク固有のベースラインと比較し、知覚的品質と定量的評価の両面での有効性を検証する。
論文 参考訳(メタデータ) (2020-07-23T15:34:06Z) - Network Bending: Expressive Manipulation of Deep Generative Models [0.2062593640149624]
ネットワーク曲げと呼ばれる深層生成モデルを操作するための新しいフレームワークを提案する。
生成過程において意味論的に意味のある側面を直接操作できるだけでなく、幅広い表現的な結果を得ることができるかを示す。
論文 参考訳(メタデータ) (2020-05-25T21:48:45Z)
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。