論文の概要: Style Transfer for Light Field Photography
- arxiv url: http://arxiv.org/abs/2002.11220v1
- Date: Tue, 25 Feb 2020 23:21:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-28 21:55:51.828379
- Title: Style Transfer for Light Field Photography
- Title（参考訳）: 光フィールド撮影のためのスタイル転送
- Authors: David Hart, Jessica Greenland, Bryan Morse
- Abstract要約: 光界の各ビューのスタイリングを可能にする方法で、既存の単分子型転送ネットワークを適応させる必要がある。
提案手法はネットワークを通しての損失をバックプロパゲートし、単一の光野画像のみに対する結果のスタイリゼーションを最適化するために反復処理を行う。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As light field images continue to increase in use and application, it becomes
necessary to adapt existing image processing methods to this unique form of
photography. In this paper we explore methods for applying neural style
transfer to light field images. Feed-forward style transfer networks provide
fast, high-quality results for monocular images, but no such networks exist for
full light field images. Because of the size of these images, current light
field data sets are small and are insufficient for training purely feed-forward
style-transfer networks from scratch. Thus, it is necessary to adapt existing
monocular style transfer networks in a way that allows for the stylization of
each view of the light field while maintaining visual consistencies between
views. Instead, the proposed method backpropagates the loss through the
network, and the process is iterated to optimize (essentially overfit) the
resulting stylization for a single light field image alone. The network
architecture allows for the incorporation of pre-trained fast monocular
stylization networks while avoiding the need for a large light field training
set.
- Abstract（参考訳）: 光フィールド画像の利用と応用が進むにつれて、既存の画像処理手法をこのようなユニークな写真形式に適応させる必要がある。
本稿では,光場画像にニューラルスタイル転送を適用する方法を検討する。
フィードフォワード方式の転送ネットワークは単眼画像に対して高速で高品質な結果を提供するが、フルライトフィールド画像にはそのようなネットワークは存在しない。
これらの画像のサイズのため、現在の光フィールドデータセットは小さく、純粋なフィードフォワードスタイル転送ネットワークをスクラッチからトレーニングするには不十分である。
したがって、ビュー間の視覚的構成を維持しつつ、ライトフィールドの各ビューのスタイライゼーションを可能にするように、既存のモノクロスタイル転送ネットワークを適応させる必要がある。
その代わりに、提案手法は、ネットワークを通しての損失をバックプロパゲートし、単一の光野画像のみに対する結果のスタイリングを最適化(本質的に過適合)するために反復的に処理する。
ネットワークアーキテクチャは、大きなライトフィールドトレーニングセットの必要性を回避しつつ、事前訓練された高速単眼スタイライゼーションネットワークを組み込むことができる。
関連論文リスト
- Learning to Relight Portrait Images via a Virtual Light Stage and
Synthetic-to-Real Adaptation [76.96499178502759]
Relightingは、イメージ内の人物を、ターゲットの照明のある環境に現れたかのように再照らすことを目的としている。
最近の手法は、高品質な結果を得るためにディープラーニングに依存している。
そこで本研究では,光ステージを必要とせずに,SOTA(State-of-the-art Relighting Method)と同等に動作可能な新しい手法を提案する。
論文 参考訳（メタデータ） (2022-09-21T17:15:58Z) - DPFNet: A Dual-branch Dilated Network with Phase-aware Fourier
Convolution for Low-light Image Enhancement [1.2645663389012574]
低照度画像の高精細化は、低照度画像から通常の露光画像を復元することを目的とした古典的なコンピュータビジョン問題である。
この分野でよく使われる畳み込みニューラルネットワークは、空間領域の低周波局所構造の特徴をサンプリングするのに長けている。
周波数位相のセマンティクスの制約の下で高品質なテクスチャの詳細を復元できるフーリエ係数を用いた新しいモジュールを提案する。
論文 参考訳（メタデータ） (2022-09-16T13:56:09Z) - Progressively-connected Light Field Network for Efficient View Synthesis [69.29043048775802]
本稿では、複雑な前方シーンのビュー合成のためのプログレッシブ・コネクテッド・ライトフィールド・ネットワーク(ProLiF)を提案する。
ProLiFは4Dライトフィールドをエンコードし、画像やパッチレベルの損失に対するトレーニングステップで大量の光線をレンダリングすることができる。
論文 参考訳（メタデータ） (2022-07-10T13:47:20Z) - Enhancing Low-Light Images in Real World via Cross-Image Disentanglement [58.754943762945864]
そこで本研究では,現実の汚職とミスアライメントされたトレーニング画像からなる,新しい低照度画像強調データセットを提案する。
本モデルでは,新たに提案したデータセットと,他の一般的な低照度データセットの両方に対して,最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-01-10T03:12:52Z) - Deep Translation Prior: Test-time Training for Photorealistic Style
Transfer [36.82737412912885]
近年のCNN(Deep Convolutional Neural Network)におけるフォトリアリスティックなスタイル転送の解決には,大規模データセットからの集中的なトレーニングが必要となる。
提案手法はDTP(Deep Translation Prior)とよばれる新しいフレームワークで,与えられた入力画像対とトレーニングされていないネットワークをテストタイムでトレーニングすることで,フォトリアリスティックなスタイルの転送を実現する。
論文 参考訳（メタデータ） (2021-12-12T04:54:27Z) - SDWNet: A Straight Dilated Network with Wavelet Transformation for Image
Deblurring [23.86692375792203]
画像劣化は、ぼやけた画像から鋭い画像を復元することを目的としたコンピュータビジョンの問題である。
我々のモデルは拡張畳み込みを用いて空間分解能の高い大きな受容場を得ることができる。
本稿では,ウェーブレット変換を用いた新しいモジュールを提案する。
論文 参考訳（メタデータ） (2021-10-12T07:58:10Z) - UMFA: A photorealistic style transfer method based on U-Net and
multi-layer feature aggregation [0.0]
本稿では,フォトリアリスティックなイメージスタイリングの自然な効果を強調するために,フォトリアリスティックなスタイル転送ネットワークを提案する。
特に、高密度ブロックに基づくエンコーダとU-Netの対称構造を形成するデコーダとを連立して、効率的な特徴抽出と画像再構成を実現する。
論文 参考訳（メタデータ） (2021-08-13T08:06:29Z) - Learning optical flow from still images [53.295332513139925]
我々は,容易に利用可能な単一の実画像から,高精度な光学的フローアノテーションを迅速かつ多量に生成するフレームワークを提案する。
既知の動きベクトルと回転角を持つ再構成された環境でカメラを仮想的に移動させる。
我々のデータでトレーニングすると、最先端の光フローネットワークは、実データを見るのに優れた一般化を実現する。
論文 参考訳（メタデータ） (2021-04-08T17:59:58Z) - Light Stage Super-Resolution: Continuous High-Frequency Relighting [58.09243542908402]
光ステージから採取した人間の顔の「超解像」を学習ベースで解析する手法を提案する。
本手法では,ステージ内の隣接する照明に対応する撮像画像を集約し,ニューラルネットワークを用いて顔の描画を合成する。
我々の学習モデルは、リアルな影と特異なハイライトを示す任意の光方向のレンダリングを生成することができる。
論文 参考訳（メタデータ） (2020-10-17T23:40:43Z) - Photon-Driven Neural Path Guiding [102.12596782286607]
本稿では,スパース標本群から誘導される経路の高品質なサンプリング分布を再構築するニューラルパス誘導手法を提案する。
我々は、光源から追跡した光子をサンプリング密度再構成の入力として利用し、強力なグローバル照明の挑戦シーンに非常に効果的である。
提案手法は,従来の最先端の経路案内手法よりも,テストシーンのレンダリング結果が大幅に向上する。
論文 参考訳（メタデータ） (2020-10-05T04:54:01Z)
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。