論文の概要: Realistic River Image Synthesis using Deep Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2003.00826v3
• Date: Tue, 27 Jul 2021 21:02:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-01 03:46:55.392472
• Title: Realistic River Image Synthesis using Deep Generative Adversarial Networks
• Title（参考訳）: 深部生成逆ネットワークを用いたリアルな河川画像合成
• Authors: Akshat Gautam, Muhammed Sit and Ibrahim Demir
• Abstract要約: 本研究では,高解像度でリアルな河川画像を生成するGANモデルについて検討した。 ネットワークアーキテクチャであるProgressive Growing GAN(PGGAN)を導入し、より小さな解像度のGANを反復的にトレーニングし、徐々に高解像度に構築する。 本研究の結果は,高品質な画像を作成し,河川構造や流れの詳細を捉え,水文学研究を支援する上で有望であることを示す。
• 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: In this paper, we demonstrated a practical application of realistic river image generation using deep learning. Specifically, we explored a generative adversarial network (GAN) model capable of generating high-resolution and realistic river images that can be used to support modeling and analysis in surface water estimation, river meandering, wetland loss, and other hydrological research studies. First, we have created an extensive repository of overhead river images to be used in training. Second, we incorporated the Progressive Growing GAN (PGGAN), a network architecture that iteratively trains smaller-resolution GANs to gradually build up to a very high resolution to generate high quality (i.e., 1024x1024) synthetic river imagery. With simpler GAN architectures, difficulties arose in terms of exponential increase of training time and vanishing/exploding gradient issues, which the PGGAN implementation seemed to significantly reduce. The results presented in this study show great promise in generating high-quality images and capturing the details of river structure and flow to support hydrological research, which often requires extensive imagery for model performance.
• Abstract（参考訳）: 本稿では,深層学習を用いた現実的な河川画像生成の実用化を実証した。 具体的には,水面推定,河川蛇行,湿地損失,その他の水文学研究におけるモデリングと解析に使用できる,高分解能かつ現実的な河川画像を生成することが可能なganモデルについて検討した。 まず、トレーニングに使用するオーバーヘッドリバーイメージの広範なリポジトリを作成しました。 第2に,高画質(すなわち1024×1024)の合成川画像を生成するため,低解像度のGANを反復的に訓練するネットワークアーキテクチャであるPGGAN(Progressive Growing GAN)を組み込んだ。 より単純なGANアーキテクチャでは、トレーニング時間の指数的な増加と、PGGANの実装が大幅に減少しているように思われる勾配問題(英語版)の消滅/拡散という困難が生じた。 本研究の結果は,高品質な画像の生成と河川構造や河川の流れの詳細な把握に非常に有望であり,しばしばモデル性能に広範な画像を必要とする水文学研究を支援している。

関連論文リスト

• Underwater Image Enhancement using Generative Adversarial Networks: A Survey [1.2582887633807602]
  ジェネレーティブ・Adversarial Networks (GAN) は水中写真を強化する強力なツールとして登場した。 GANは、海洋生物学や生態系モニタリング、サンゴ礁の健康評価、水中考古学、自律型水中車両(AUV)ナビゲーションなど、現実世界の応用に応用されている。 本稿では,物理・物理フリーモデルからCNNベースモデル,最先端のGANベース手法に至るまで,水中画像強調への主要なアプローチについて検討する。
  論文  参考訳（メタデータ） (2025-01-10T06:41:19Z)
• Blind Underwater Image Restoration using Co-Operational Regressor Networks [15.853520058218042]
  我々は、CoRe-Nets(Co-Operational Regressor Networks)という新しい機械学習モデルを提案する。 CoRe-Netは、画像変換を担当するApprentice Regressor(AR)と、ARによって生成された画像のピーク信号-ノイズ比(PSNR)を評価し、それをARにフィードバックするMaster Regressor(MR)の2つの協調ネットワークで構成されている。 私たちの結果と提案したアプローチの最適化されたPyTorch実装はGitHubで公開されています。
  論文  参考訳（メタデータ） (2024-12-05T09:15:21Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• PUGAN: Physical Model-Guided Underwater Image Enhancement Using GAN with Dual-Discriminators [120.06891448820447]
  鮮明で視覚的に快適な画像を得る方法は、人々の共通の関心事となっている。 水中画像強調(UIE)の課題も、時間とともに現れた。 本稿では,UIE のための物理モデル誘導型 GAN モデルを提案する。 我々のPUGANは質的および定量的な測定値において最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-06-15T07:41:12Z)
• InvGAN: Invertible GANs [88.58338626299837]
  InvGANはInvertible GANの略で、高品質な生成モデルの潜在空間に実際の画像を埋め込むことに成功した。 これにより、画像のインペイント、マージ、オンラインデータ拡張を実行できます。
  論文  参考訳（メタデータ） (2021-12-08T21:39:00Z)
• A Generic Approach for Enhancing GANs by Regularized Latent Optimization [79.00740660219256]
  本稿では,事前学習したGANを効果的かつシームレスに拡張できる,エミュレーティブモデル推論と呼ばれる汎用フレームワークを提案する。 我々の基本的な考え方は、ワッサーシュタイン勾配流法を用いて与えられた要求に対する最適潜時分布を効率的に推算することである。
  論文  参考訳（メタデータ） (2021-12-07T05:22:50Z)
• A comparative study of various Deep Learning techniques for spatio-temporal Super-Resolution reconstruction of Forced Isotropic Turbulent flows [0.45935798913942893]
  本研究では,様々な最先端機械学習技術を用いて,空間的・時間的に乱流場の超解像解析を行う。 この研究で使用されるデータセットは、ジョンズ・ホプキンス乱流データベースの一部である「等方性1024粗い」データセットから抽出される。
  論文  参考訳（メタデータ） (2021-07-07T17:16:55Z)
• Efficient texture-aware multi-GAN for image inpainting [5.33024001730262]
  近年のGAN (Generative Adversarial Network) のインペイント手法は顕著に改善されている。 本稿では,性能とレンダリング効率の両方を改善するマルチGANアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-09-30T14:58:03Z)
• From Rain Generation to Rain Removal [67.71728610434698]
  雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。 降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。 総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
  論文  参考訳（メタデータ） (2020-08-08T18:56:51Z)
• Unlimited Resolution Image Generation with R2D2-GANs [69.90258455164513]
  本稿では,任意の解像度の高品質な画像を生成するための新しいシミュレーション手法を提案する。 この方法では、フル長のミッション中に収集したソナースキャンと同等の大きさのソナースキャンを合成することができる。 生成されたデータは、連続的で、現実的に見え、また、取得の実際の速度の少なくとも2倍の速さで生成される。
  論文  参考訳（メタデータ） (2020-03-02T17:49:32Z)

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。