論文の概要: Multiple Generative Adversarial Networks Analysis for Predicting
Photographers' Retouching
- arxiv url: http://arxiv.org/abs/2006.02921v1
- Date: Wed, 3 Jun 2020 10:10:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 18:29:05.518292
- Title: Multiple Generative Adversarial Networks Analysis for Predicting
Photographers' Retouching
- Title(参考訳): フォトグラファーのリタッチ予測のための複数生成逆ネットワーク解析
- Authors: Marc Bickel, Samuel Dubuis, S\'ebastien Gachoud
- Abstract要約: 本研究の目的は, 深層学習手法, より具体的には, 生成的敵ネットワーク(GAN)を用いてアーティストのリタッチを模倣する可能性を検討することである。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Anyone can take a photo, but not everybody has the ability to retouch their
pictures and obtain result close to professional. Since it is not possible to
ask experts to retouch thousands of pictures, we thought about teaching a piece
of software how to reproduce the work of those said experts. This study aims to
explore the possibility to use deep learning methods and more specifically,
generative adversarial networks (GANs), to mimic artists' retouching and find
which one of the studied models provides the best results.
- Abstract(参考訳): 誰でも写真を撮れるが、誰もが自分の写真をリタッチしてプロに近い結果が得られるわけではない。
専門家に何千もの写真を再編集するよう依頼することは不可能であるため、専門家の仕事を再現する方法をソフトウェアに教えることを考えました。
本研究の目的は, 深層学習手法, より具体的には, 生成的敵ネットワーク(GAN)を用いて, アーティストのリタッチを模倣し, どのモデルが最良の結果をもたらすかを明らかにすることである。
関連論文リスト
- Learning AND-OR Templates for Professional Photograph Parsing and Guidance [5.906114868515906]
写真画像から階層的再構成可能な画像テンプレートを学習し、これらの画像に使用される「テンプレート」を学習し、特徴付ける。
実験結果から,学習したテンプレートが写真技術やスタイルをうまく記述できるのに対し,提案手法は画像の品質を人間のように評価できることがわかった。
論文 参考訳(メタデータ) (2024-10-08T15:27:19Z) - ImageLab: Simplifying Image Processing Exploration for Novices and
Experts Alike [0.0]
ImageLabは、初心者でも専門家でも、画像処理を民主化するための新しいツールだ。
ImageLabは貴重な教育資源として機能するだけでなく、経験豊富な実践者のための実践的なテスト環境も提供する。
論文 参考訳(メタデータ) (2024-01-06T08:27:28Z) - Learning Subject-Aware Cropping by Outpainting Professional Photos [69.0772948657867]
本稿では,高品質な主観的作物を生産する要因を,プロのストックイメージから学習するための弱教師付きアプローチを提案する。
私たちの洞察は、ストックイメージのライブラリと、最新のトレーニング済みのテキスト-画像拡散モデルを組み合わせることです。
我々は、収穫された無作為のトレーニングペアの大規模なデータセットを自動的に生成して、収穫モデルをトレーニングすることができる。
論文 参考訳(メタデータ) (2023-12-19T11:57:54Z) - Identifying Professional Photographers Through Image Quality and
Aesthetics in Flickr [0.0]
本研究では,写真とビデオの共有プラットフォームに適切なデータセットが存在しないことを明らかにする。
我々は、オープンソースのマルチモーダルデータを用いて、Flickrで最大のラベル付きデータセットの1つを作成しました。
画像の審美性と技術的品質と,その画像の社会的活動との関係について検討した。
論文 参考訳(メタデータ) (2023-07-04T14:55:37Z) - Subject-driven Text-to-Image Generation via Apprenticeship Learning [83.88256453081607]
本研究では,テキスト・トゥ・イメージ・ジェネレータのSuTIについて述べる。
SuTIは見習いの学習を利用しており、そこでは、多数の主題固有のエキスパートモデルによって生成されたデータから、単一の見習いモデルが学習される。
SuTIは、InstructPix2Pix、Textual Inversion、Imagic、Prompt2Prompt、Re-Imagen、DreamBoothといった既存のモデルよりも大幅に優れています。
論文 参考訳(メタデータ) (2023-04-01T00:47:35Z) - Procedural Image Programs for Representation Learning [62.557911005179946]
我々は,2万プログラムからなる大規模なデータセットを用いて,多様な合成画像を生成する訓練を提案する。
これらのプログラムは短いコードスニペットであり、変更が容易で、高速に実行することができる。
提案したデータセットは、教師付きおよび教師なしの表現学習の両方に使用することができ、実際の画像と手続き的に生成された画像との事前学習のギャップを38%削減する。
論文 参考訳(メタデータ) (2022-11-29T17:34:22Z) - Automatic Image Content Extraction: Operationalizing Machine Learning in
Humanistic Photographic Studies of Large Visual Archives [81.88384269259706]
本稿では,機械学習による大規模画像アーカイブの検索と解析のための自動画像コンテンツ抽出フレームワークを提案する。
提案する枠組みは、人文科学と社会科学のいくつかの分野に適用できる。
論文 参考訳(メタデータ) (2022-04-05T12:19:24Z) - Adaptive Network Combination for Single-Image Reflection Removal: A
Domain Generalization Perspective [68.37624784559728]
本稿では,ドメインの観点からSIRRモデルを学習し,課題に対処する。
各ソースセットに対して、特定のSIRRモデルは、関連するリフレクションタイプのドメインエキスパートとして機能するように訓練される。
あるソースセットからのイメージに対して、RTAWは、一般化能力を改善するために、他のドメインエキスパートの専門的な重みだけを予測するように訓練する。
実験により、異なる最先端SIRRネットワーク上でのAdaNECの性能向上が示された。
論文 参考訳(メタデータ) (2022-04-04T14:06:11Z) - A Generative Adversarial Approach with Residual Learning for Dust and
Scratches Artifacts Removal [0.0]
本稿では, フィルムスキャンから塵を除去し, ひっかき傷を除去できるGAN法を提案する。
残留学習は、トレーニングプロセスのスピードアップや、デノイングパフォーマンスの向上に利用されます。
我々は最先端の手法やソフトウェアアプリケーションを大幅に上回り、優れた結果をもたらす。
論文 参考訳(メタデータ) (2020-09-22T16:32:57Z) - Unifying Specialist Image Embedding into Universal Image Embedding [84.0039266370785]
画像の様々な領域に適用可能な普遍的な深層埋め込みモデルを持つことが望ましい。
本稿では,複数の専門家の知識を普遍的な埋め込みに融合させてこの問題を解決することを提案する。
論文 参考訳(メタデータ) (2020-03-08T02:51:11Z)
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。