論文の概要: A Generative Adversarial Approach with Residual Learning for Dust and
Scratches Artifacts Removal
- arxiv url: http://arxiv.org/abs/2009.10663v1
- Date: Tue, 22 Sep 2020 16:32:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-15 22:42:35.708703
- Title: A Generative Adversarial Approach with Residual Learning for Dust and
Scratches Artifacts Removal
- Title（参考訳）: ダスト・スクラッチ・アーティファクト除去のための残留学習による生成的敵意的アプローチ
- Authors: Ionu\c{t} Mironic\u{a}
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Retouching can significantly elevate the visual appeal of photos, but many
casual photographers lack the expertise to operate in a professional manner.
One particularly challenging task for old photo retouching remains the removal
of dust and scratches artifacts. Traditionally, this task has been completed
manually with special image enhancement software and represents a tedious task
that requires special know-how of photo editing applications.
However, recent research utilizing Generative Adversarial Networks (GANs) has
been proven to obtain good results in various automated image enhancement tasks
compared to traditional methods. This motivated us to explore the use of GANs
in the context of film photo editing. In this paper, we present a GAN based
method that is able to remove dust and scratches errors from film scans.
Specifically, residual learning is utilized to speed up the training process,
as well as boost the denoising performance.
An extensive evaluation of our model on a community provided dataset shows
that it generalizes remarkably well, not being dependent on any particular type
of image. Finally, we significantly outperform the state-of-the-art methods and
software applications, providing superior results.
- Abstract（参考訳）: リタッチは写真の視覚的な魅力を著しく高めるが、多くのカジュアルフォトグラファーはプロフェッショナルなやり方で操作する専門知識を欠いている。
古い写真編集で特に難しい課題は、ほこりを取り除き、アーティファクトを傷付けることだ。
従来、このタスクは特別な画像強調ソフトウェアで手作業で完了しており、写真編集アプリケーションの特別なノウハウを必要とする面倒なタスクを表している。
しかし、GAN(Generative Adversarial Networks)を用いた最近の研究は、従来の手法と比較して、様々な自動画像強調タスクにおいて良い結果が得られることが証明されている。
これにより,映像編集におけるGANの利用を探求する動機となった。
本稿では,フィルムスキャンからダストを除去し,誤差をスクラッチできるgan法を提案する。
具体的には、残差学習を用いて学習プロセスを高速化するとともに、発声性能を向上させる。
コミュニティが提供するデータセット上での我々のモデルの広範な評価は、特定の種類の画像に依存しない、驚くほどよく一般化していることを示している。
最後に、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。
関連論文リスト
- PromptFix: You Prompt and We Fix the Photo [84.69812824355269]
言語モデルを備えた拡散モデルは、画像生成タスクにおいて優れた制御性を示す。
多様な命令追跡データの欠如は、モデルの開発を妨げている。
本稿では,人間の指示に従う拡散モデルを実現するフレームワークであるPromptFixを提案する。
論文 参考訳（メタデータ） (2024-05-27T03:13:28Z) - Exposure Bracketing is All You Need for Unifying Image Restoration and Enhancement Tasks [50.822601495422916]
本稿では,露光ブラケット写真を利用して画像復元と拡張作業を統合することを提案する。
実世界のペアの収集が困難であるため,まず合成ペアデータを用いてモデルを事前学習する手法を提案する。
特に,時間変調リカレントネットワーク(TMRNet)と自己教師あり適応手法を提案する。
論文 参考訳（メタデータ） (2024-01-01T14:14:35Z) - 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) - DiffuseRAW: End-to-End Generative RAW Image Processing for Low-Light Images [5.439020425819001]
我々はRAW画像上の微調整潜伏拡散モデルに依存する新しい生成ISPを開発した。
我々は、有望な結果が得られる人気のエンドツーエンドの低照度データセットに対するアプローチを評価した。
論文 参考訳（メタデータ） (2023-12-13T03:39:05Z) - Empowering Visually Impaired Individuals: A Novel Use of Apple Live
Photos and Android Motion Photos [3.66237529322911]
われわれは、Apple Live PhotosとAndroid Motion Photosの技術の使用を提唱している。
以上の結果から,Live PhotosとMotion Photosは,共通の視覚支援タスクにおいて,単フレーム画像よりも優れていた。
論文 参考訳（メタデータ） (2023-09-14T20:46:35Z) - Photo2Relief: Let Human in the Photograph Stand Out [26.102307166656157]
そこで我々は,勾配領域で定義された損失関数を装備することにより,勾配を正確に操作し,ニューラルネットワークを訓練するシグモイド変分関数を導入する。
ネットワークモジュールにおける作業の明確な分割を実現するため,一枚の写真から高品質なリリーフを実現するための2スケールアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-07-21T05:33:57Z) - Take a Prior from Other Tasks for Severe Blur Removal [52.380201909782684]
知識蒸留に基づくクロスレベル特徴学習戦略
多レベルアグリゲーションとセマンティックアテンション変換によるセマンティック事前埋め込み層を効果的に統合する。
GoProやRealBlurのデータセットのような、自然な画像劣化ベンチマークと実世界の画像の実験は、我々の方法の有効性と能力を実証している。
論文 参考訳（メタデータ） (2023-02-14T08:30:51Z) - Perceptual Image Enhancement for Smartphone Real-Time Applications [60.45737626529091]
本稿では,知覚的画像強調のための軽量ネットワークLPIENetを提案する。
我々のモデルは、ノイズアーティファクト、回折アーティファクト、ぼかし、HDR過剰露光を扱うことができる。
我々のモデルは、中級商用スマートフォンで1秒未満で2K解像度画像を処理することができる。
論文 参考訳（メタデータ） (2022-10-24T19:16:33Z) - Image Inpainting using Partial Convolution [0.3441021278275805]
本研究の目的は,部分的畳み込み層を用いた頑健な深層学習手法を用いて画像の塗り込みを行うことである。
様々な応用において、画像は、劣化した、失われた、または望ましくない情報の存在によって、しばしばノイズによって劣化する。
論文 参考訳（メタデータ） (2021-08-19T17:01:27Z) - Self-Adaptively Learning to Demoire from Focused and Defocused Image
Pairs [97.67638106818613]
モアレアーティファクトはデジタル写真では一般的であり、高周波シーンコンテンツとカメラのカラーフィルタアレイとの干渉によるものである。
大規模反復で訓練された既存のディープラーニングに基づく復習手法は、様々な複雑なモアレパターンを扱う場合に限られる。
本稿では,高頻度画像の復調のための自己適応学習手法を提案する。
論文 参考訳（メタデータ） (2020-11-03T23:09:02Z)
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。