論文の概要: Arbitrary Style Transfer using Graph Instance Normalization

• arxiv url: http://arxiv.org/abs/2010.02560v1
• Date: Tue, 6 Oct 2020 09:07:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 07:22:40.371678
• Title: Arbitrary Style Transfer using Graph Instance Normalization
• Title（参考訳）: グラフインスタンス正規化を用いた任意スタイル転送
• Authors: Dongki Jung, Seunghan Yang, Jaehoon Choi, Changick Kim
• Abstract要約: スタイル転送は、コンテンツを保存しながらある画像のスタイルを別の画像に適用するタスクである。 統計学的手法では、アダプティブインスタンス正規化(AdaIN)は、特徴の平均と分散を正規化することにより、ソースイメージを白くし、ターゲットイメージのスタイルを適用する。 グラフ畳み込みネットワーク(GrIN)を用いた新しい学習可能正規化手法を提案する。
• 参考スコア（独自算出の注目度）: 25.05195837557028
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Style transfer is the image synthesis task, which applies a style of one image to another while preserving the content. In statistical methods, the adaptive instance normalization (AdaIN) whitens the source images and applies the style of target images through normalizing the mean and variance of features. However, computing feature statistics for each instance would neglect the inherent relationship between features, so it is hard to learn global styles while fitting to the individual training dataset. In this paper, we present a novel learnable normalization technique for style transfer using graph convolutional networks, termed Graph Instance Normalization (GrIN). This algorithm makes the style transfer approach more robust by taking into account similar information shared between instances. Besides, this simple module is also applicable to other tasks like image-to-image translation or domain adaptation.
• Abstract（参考訳）: スタイル転送は画像合成タスクであり、コンテンツを保持しながらある画像のスタイルを別の画像に適用する。 統計的手法では、適応インスタンス正規化(adaptive instance normalization:adain)はソースイメージを白くし、特徴の平均とばらつきを正規化することで対象画像のスタイルを適用する。 しかし、各インスタンスの特徴統計は機能間の固有の関係を無視しているため、個々のトレーニングデータセットに適合しながらグローバルなスタイルを学ぶのは難しい。 本稿では,グラフ畳み込みネットワークを用いたスタイル転送のための新しい学習可能な正規化手法であるグラフインスタンス正規化(grin)を提案する。 このアルゴリズムは、インスタンス間で共有される同様の情報を考慮し、スタイル転送アプローチをより堅牢にする。 さらに、この単純なモジュールは画像から画像への変換やドメイン適応といった他のタスクにも適用できる。

関連論文リスト

• A Unified Arbitrary Style Transfer Framework via Adaptive Contrastive Learning [84.8813842101747]
  Unified Contrastive Arbitrary Style Transfer (UCAST)は、新しいスタイルの学習・伝達フレームワークである。 入力依存温度を導入することで,スタイル伝達のための適応型コントラスト学習方式を提案する。 本フレームワークは,スタイル表現とスタイル伝達のための並列コントラスト学習方式,スタイル分布を効果的に学習するためのドメイン拡張モジュール,スタイル伝達のための生成ネットワークという,3つの重要なコンポーネントから構成される。
  論文  参考訳（メタデータ） (2023-03-09T04:35:00Z)
• DSI2I: Dense Style for Unpaired Image-to-Image Translation [70.93865212275412]
  Inpaired exemplar-based image-to-image (UEI2I) 翻訳は、ソース画像をターゲット画像領域に変換する。 我々は,スタイルを高密度な特徴写像として表現し,外部意味情報を必要とせず,よりきめ細かなソース画像の転送を可能にすることを提案する。 以上の結果から,本手法による翻訳は,より多様であり,資料内容の保存性が向上し,最先端の手法と比較すると,先例に近づいたことが示唆された。
  論文  参考訳（メタデータ） (2022-12-26T18:45:25Z)
• Learning Graph Neural Networks for Image Style Transfer [131.73237185888215]
  最先端のパラメトリックおよび非パラメトリックなスタイル転送アプローチは、グローバルな統計アライメントによる局所的なスタイルパターンの歪んだり、パッチミスマッチによるアーティファクトを減らしたりする傾向にある。 本稿では,パラメトリック型と非パラメトリック型の両方のスタイライゼーションの欠如を緩和する,新しい半パラメトリック型ニューラルスタイルトランスファーフレームワークについて検討する。
  論文  参考訳（メタデータ） (2022-07-24T07:41:31Z)
• Non-Parametric Style Transfer [0.9137554315375919]
  最近のフィードフォワードニューラル法では、主にエンコードされた特徴写像を2次統計量まで利用している。 我々は,画像のスタイルが受容場からの応答の分布によって表されるという認識に基づいて,2階統計特徴マッチングを一般分布マッチングに拡張する。 この結果から,本手法により得られたスタイリング画像は,コンテンツクリアネスを損なうことなく,既存のすべてのスタイル尺度におけるターゲットスタイル画像とより類似していることが証明された。
  論文  参考訳（メタデータ） (2022-06-26T16:34:37Z)
• Domain Enhanced Arbitrary Image Style Transfer via Contrastive Learning [84.8813842101747]
  Contrastive Arbitrary Style Transfer (CAST) は、新しいスタイル表現学習法である。 本フレームワークは,スタイルコード符号化のための多層スタイルプロジェクタ,スタイル分布を効果的に学習するためのドメイン拡張モジュール,画像スタイル転送のための生成ネットワークという,3つのキーコンポーネントから構成される。
  論文  参考訳（メタデータ） (2022-05-19T13:11:24Z)
• STALP: Style Transfer with Auxiliary Limited Pairing [36.23393954839379]
  本稿では,1対のソース画像と,そのスタイリング画像を用いた画像の例ベーススタイリング手法を提案する。 本研究では,対象画像に対するリアルタイムな意味論的スタイル転送が可能な画像翻訳ネットワークの訓練方法を示す。
  論文  参考訳（メタデータ） (2021-10-20T11:38:41Z)
• Domain Generalization with MixStyle [120.52367818581608]
  ドメインの一般化(domain generalization)は、ソースドメインのセットから学習することでこの問題に対処しようとしている。 MixStyleと呼ばれるこの手法は、視覚領域が画像スタイルと密接に関連しているという観察によって動機づけられる。 MixStyleは、ミニバッチトレーニングに完全に適合し、実装が非常に簡単です。
  論文  参考訳（メタデータ） (2021-04-05T16:58:09Z)
• Permuted AdaIN: Reducing the Bias Towards Global Statistics in Image Classification [97.81205777897043]
  近年の研究では、畳み込みニューラルネットワーク分類器は形状を犠牲にしてテクスチャを過度に依存していることが示されている。 一方、形状と局所像の区別は類似しているが異なるが、一方、グローバル画像統計は異なる。 提案手法は,pAdaIN (Permuted Adaptive Instance Normalization) と呼ばれ,画像分類器の隠蔽層におけるグローバル統計の表現を減少させる。
  論文  参考訳（メタデータ） (2020-10-09T16:38:38Z)

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。