Fugu-MT 論文翻訳(概要): Flexible Example-based Image Enhancement with Task Adaptive Global Feature Self-Guided Network

論文の概要: Flexible Example-based Image Enhancement with Task Adaptive Global Feature Self-Guided Network

arxiv url: http://arxiv.org/abs/2005.06654v2
Date: Mon, 28 Sep 2020 12:59:50 GMT
ステータス: 処理完了
システム内更新日: 2022-12-03 12:42:01.686865
Title: Flexible Example-based Image Enhancement with Task Adaptive Global Feature Self-Guided Network
Title（参考訳）: Task Adaptive Global Feature Self-Guided Networkによるフレキシブルな例ベース画像強調
Authors: Dario Kneubuehler, Shuhang Gu, Luc Van Gool, Radu Timofte
Abstract要約: 我々は,1つの拡張写像の学習において,我々のモデルが現在の技術状況より優れていることを示す。このモデルは、複数のマッピングを同時に学習する上で、さらに高いパフォーマンスを達成する。
参考スコア（独自算出の注目度）: 162.14579019053804
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose the first practical multitask image enhancement network, that is able to learn one-to-many and many-to-one image mappings. We show that our model outperforms the current state of the art in learning a single enhancement mapping, while having significantly fewer parameters than its competitors. Furthermore, the model achieves even higher performance on learning multiple mappings simultaneously, by taking advantage of shared representations. Our network is based on the recently proposed SGN architecture, with modifications targeted at incorporating global features and style adaption. Finally, we present an unpaired learning method for multitask image enhancement, that is based on generative adversarial networks (GANs).
Abstract（参考訳）: 本稿では,1対1で多対1の画像マッピングを学習できる,初の実用的マルチタスク画像強調ネットワークを提案する。本モデルでは,1つの拡張マッピングを学習する上での現在の技術状況よりも優れており,競合他社よりもパラメータが大幅に少ないことを示す。さらに,共有表現の活用により,複数のマッピングを同時に学習することで,さらに高い性能を実現する。我々のネットワークは、最近提案されたSGNアーキテクチャに基づいており、グローバルな特徴とスタイル適応を取り入れることを目標としている。最後に,gans(generative adversarial network)に基づくマルチタスク画像強調のための非ペア化学習手法を提案する。

関連論文リスト

Siamese Transformer Networks for Few-shot Image Classification [9.55588609556447]
人間は視覚分類タスクにおいて顕著な熟練度を示し、最小限の例で新しい画像を正確に認識し分類する。既存の少数の画像分類手法は、大域的特徴と局所的特徴の両方を強調し、両者を統合することを考える研究はほとんどない。我々は,シームズ変圧器ネットワーク(STN)に基づく新しいアプローチを提案する。我々の戦略は, 複雑な特徴適応モジュールの必要性を回避し, 画像分類におけるグローバルな特徴と局所的な特徴の可能性を効果的に活用する。
論文参考訳（メタデータ） (2024-07-16T14:27:23Z)
Intra-task Mutual Attention based Vision Transformer for Few-Shot Learning [12.5354658533836]
人間は、ほんのわずかの例に晒された後に、新しい、目に見えない画像を正確に分類する能力を持っている。人工ニューラルネットワークモデルでは、限られたサンプルを持つ2つのイメージを区別する最も関連性の高い特徴を決定することが課題である。本稿では,サポートとクエリサンプルをパッチに分割するタスク内相互注意手法を提案する。
論文参考訳（メタデータ） (2024-05-06T02:02:57Z)
Multi-Domain Learning with Modulation Adapters [33.54630534228469]
マルチドメイン学習は、複数のドメインにまたがる画像分類など、関連するタスクを同時に処理することを目的としている。変調アダプタは、各タスクに対して乗法的にモデルの畳み込み重みを更新する。我々のアプローチは、既存の最先端のアプローチと同等かそれ以上の精度で、優れた結果をもたらす。
論文参考訳（メタデータ） (2023-07-17T14:40:16Z)
Instruction-ViT: Multi-Modal Prompts for Instruction Learning in ViT [58.70209492842953]
本稿では、画像分類のための視覚変換器モデルに命令調律に基づく即時設計を適用することに焦点を当てる。鍵となる考え方は、カテゴリ情報に関連するマルチモーダルプロンプトを実装し、モデルの微調整を導くことである。いくつかの画像キャプションタスクの実験に基づいて、性能とドメイン適応性を改善した。
論文参考訳（メタデータ） (2023-04-29T08:59:12Z)
Bridging Synthetic and Real Images: a Transferable and Multiple Consistency aided Fundus Image Enhancement Framework [61.74188977009786]
画像強調とドメイン適応を同時に行うために,エンドツーエンドの教師支援フレームワークを提案する。また,教師ネットワークと学生ネットワークのバックボーンとして,マルチステージ型マルチアテンション・ガイド・エンハンスメント・ネットワーク(MAGE-Net)を提案する。
論文参考訳（メタデータ） (2023-02-23T06:16:15Z)
Deep Image Clustering with Contrastive Learning and Multi-scale Graph Convolutional Networks [58.868899595936476]
コントラスト学習とマルチスケールグラフ畳み込みネットワーク(IcicleGCN)を用いた画像クラスタリング手法を提案する。複数の画像データセットの実験は、最先端のIcicleGCNよりも優れたクラスタリング性能を示している。
論文参考訳（メタデータ） (2022-07-14T19:16:56Z)
Activating More Pixels in Image Super-Resolution Transformer [53.87533738125943]
トランスフォーマーベースの手法は、画像超解像のような低レベルの視覚タスクにおいて顕著な性能を示している。本稿では,新たなHAT(Hybrid Attention Transformer)を提案する。提案手法は1dB以上で最先端の手法を著しく上回っている。
論文参考訳（メタデータ） (2022-05-09T17:36:58Z)
Generative Modeling for Multi-task Visual Learning [40.96212750592383]
様々な視覚的認知タスクにおいて有用な共有生成モデルを学ぶという,新しい問題を考える。本稿では,識別型マルチタスクネットワークと生成ネットワークを結合して,汎用的なマルチタスク指向生成モデリングフレームワークを提案する。我々のフレームワークは、最先端のマルチタスクアプローチよりも一貫して優れています。
論文参考訳（メタデータ） (2021-06-25T03:42:59Z)
Graph-Based Neural Network Models with Multiple Self-Supervised Auxiliary Tasks [79.28094304325116]
グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
論文参考訳（メタデータ） (2020-11-14T11:09:51Z)
Concurrently Extrapolating and Interpolating Networks for Continuous Model Generation [34.72650269503811]
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。
論文参考訳（メタデータ） (2020-01-12T04:44:44Z)

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。