論文の概要: A Method for Estimating Reflectance map and Material using Deep Learning
with Synthetic Dataset
- arxiv url: http://arxiv.org/abs/2001.05372v1
- Date: Wed, 15 Jan 2020 15:25:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-11 06:42:47.570086
- Title: A Method for Estimating Reflectance map and Material using Deep Learning
with Synthetic Dataset
- Title（参考訳）: 合成データセットを用いた深層学習による反射率マップと材料推定法
- Authors: Mingi Lim and Sung-eui Yoon
- Abstract要約: 画像中の対象物体の物質推定のための深層学習に基づく反射率マップ予測システムを提案する。
また,双方向反射率分布関数(BRDF)パラメータ推定,環境マップ推定のためのネットワークアーキテクチャを提案する。
- 参考スコア（独自算出の注目度）: 16.74203007339432
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The process of decomposing target images into their internal properties is a
difficult task due to the inherent ill-posed nature of the problem. The lack of
data required to train a network is a one of the reasons why the decomposing
appearance task is difficult. In this paper, we propose a deep learning-based
reflectance map prediction system for material estimation of target objects in
the image, so as to alleviate the ill-posed problem that occurs in this image
decomposition operation. We also propose a network architecture for
Bidirectional Reflectance Distribution Function (BRDF) parameter estimation,
environment map estimation. We also use synthetic data to solve the lack of
data problems. We get out of the previously proposed Deep Learning-based
network architecture for reflectance map, and we newly propose to use
conditional Generative Adversarial Network (cGAN) structures for estimating the
reflectance map, which enables better results in many applications. To improve
the efficiency of learning in this structure, we newly utilized the loss
function using the normal map of the target object.
- Abstract（参考訳）: 対象画像を内部特性に分解するプロセスは、問題の本質的な不適切な性質のため、難しい作業である。
ネットワークのトレーニングに必要なデータの不足は、分解する外観タスクが難しい理由の1つである。
本稿では,この画像分解操作で発生する問題を軽減するために,画像中の対象物体の物質推定のための深層学習に基づく反射率マップ予測システムを提案する。
また,双方向反射率分布関数(BRDF)パラメータ推定,環境マップ推定のためのネットワークアーキテクチャを提案する。
また、データ問題の欠如を解決するために合成データも使用します。
我々は,従来提案されていたReflectance MapのためのDeep Learningベースのネットワークアーキテクチャから脱却し,Reflectance Mapを推定するための条件付きGenerative Adversarial Network (cGAN) 構造を新たに提案する。
この構造における学習の効率を向上させるために,対象オブジェクトの正規マップを用いた損失関数を新たに活用した。
関連論文リスト
- Utilizing Multi-step Loss for Single Image Reflection Removal [0.9208007322096532]
歪んだイメージは、オブジェクト検出やイメージセグメンテーションといったタスクに悪影響を及ぼす可能性がある。
単一画像を用いた画像反射除去のための新しい手法を提案する。
論文 参考訳（メタデータ） (2024-12-11T17:57:25Z) - Efficient and Accurate Hyperspectral Image Demosaicing with Neural Network Architectures [3.386560551295746]
本研究では,ハイパースペクトル画像復調におけるニューラルネットワークアーキテクチャの有効性について検討した。
様々なネットワークモデルと修正を導入し、それらを従来の手法や既存の参照ネットワークアプローチと比較する。
その結果、我々のネットワークは、例外的な性能を示す両方のデータセットにおいて、参照モデルよりも優れるか、一致していることがわかった。
論文 参考訳（メタデータ） (2023-12-21T08:02:49Z) - Near-filed SAR Image Restoration with Deep Learning Inverse Technique: A
Preliminary Study [5.489791364472879]
近接場合成開口レーダ(SAR)は、ターゲットの散乱分布ホットスポットの高解像度画像を提供する。
一方、撮像の結果は、サイドローブ、クラッタ、ノイズから必然的に劣化する。
イメージを復元するために、現在の手法では、例えば、点拡散関数(PSF)は空間的に一貫したものであり、ターゲットはスパース点散乱器などで構成されている。
我々は、分解モデルを空間的に可変な複素畳み込みモデルに再構成し、近接場SARのシステム応答を考慮した。
モデルに基づくディープラーニングネットワークは、復元するために設計されている
論文 参考訳（メタデータ） (2022-11-28T01:28:33Z) - High-resolution Iterative Feedback Network for Camouflaged Object
Detection [128.893782016078]
カモフラージュされたオブジェクトを背景に視覚的に同化させることは、オブジェクト検出アルゴリズムにとって難しい。
エッジやバウンダリのぼやけた視界を生じさせる細部劣化を避けるために,高分解能テクスチャの詳細を抽出することを目的としている。
我々は,高解像度特徴量による低解像度表現を反復的フィードバック方式で洗練する新しいHitNetを提案する。
論文 参考訳（メタデータ） (2022-03-22T11:20:21Z) - Object-Augmented RGB-D SLAM for Wide-Disparity Relocalisation [3.888848425698769]
本稿では、一貫したオブジェクトマップを構築し、地図内のオブジェクトのセントロイドに基づいて再局在を行うことができるオブジェクト拡張RGB-D SLAMシステムを提案する。
論文 参考訳（メタデータ） (2021-08-05T11:02:25Z) - A neural anisotropic view of underspecification in deep learning [60.119023683371736]
ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。
深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
論文 参考訳（メタデータ） (2021-04-29T14:31:09Z) - DuRIN: A Deep-unfolded Sparse Seismic Reflectivity Inversion Network [23.080395291046408]
地震データから界面の位置と反射係数の振幅を復元する反射地震学の問題を考察する。
重み付きminimax-concave penalty-regularized reflectivity inversion法を提案し,モデルベースニューラルネットワークを用いて解く。
論文 参考訳（メタデータ） (2021-04-10T07:49:38Z) - Unsupervised Learning of 3D Object Categories from Videos in the Wild [75.09720013151247]
オブジェクトインスタンスの大規模なコレクションの複数のビューからモデルを学ぶことに重点を置いています。
再構成を大幅に改善するワープコンディショニングレイ埋め込み(WCR)と呼ばれる新しいニューラルネットワーク設計を提案する。
本評価は,既存のベンチマークを用いた複数の深部単眼再構成ベースラインに対する性能改善を示す。
論文 参考訳（メタデータ） (2021-03-30T17:57:01Z) - Generic Perceptual Loss for Modeling Structured Output Dependencies [78.59700528239141]
トレーニングされた重みではなく、ネットワーク構造が重要であることを示す。
我々は、出力の構造化依存関係をモデル化するためにランダムに重み付けされたディープcnnが使用できることを実証する。
論文 参考訳（メタデータ） (2021-03-18T23:56:07Z) - Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。
我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
論文 参考訳（メタデータ） (2021-01-07T07:33:38Z) - Location-aware Single Image Reflection Removal [54.93808224890273]
本稿では,位置認識型深層学習に基づく単一画像反射除去手法を提案する。
我々は,リフレクション信頼度マップをネットワークの手がかりとして活用し,リフレクション情報を適応的にエンコードする方法を学習する。
位置情報のネットワークへの統合は、反射除去結果の品質を大幅に向上させる。
論文 参考訳（メタデータ） (2020-12-13T19:34:35Z)
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。