論文の概要: Discovering Pattern Structure Using Differentiable Compositing

• arxiv url: http://arxiv.org/abs/2010.08788v1
• Date: Sat, 17 Oct 2020 13:39:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-06 12:15:36.306634
• Title: Discovering Pattern Structure Using Differentiable Compositing
• Title（参考訳）: 微分合成によるパターン構造発見
• Authors: Pradyumna Reddy, Paul Guerrero, Matt Fisher, Wilmot Li, Miloy J.Mitra
• Abstract要約: ピクセルレベルで動作する最先端のディープラーニングフレームワークは、そのようなパターンを操作するには適していない。 パターン要素を用いた新しい微分可能な合成演算子を提案し,それを構造発見に用いる。 本手法は,パターン操作の文脈において,様々なパターンに対して評価し,優位性を示す。
• 参考スコア（独自算出の注目度）: 19.91326257572264
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Patterns, which are collections of elements arranged in regular or near-regular arrangements, are an important graphic art form and widely used due to their elegant simplicity and aesthetic appeal. When a pattern is encoded as a flat image without the underlying structure, manually editing the pattern is tedious and challenging as one has to both preserve the individual element shapes and their original relative arrangements. State-of-the-art deep learning frameworks that operate at the pixel level are unsuitable for manipulating such patterns. Specifically, these methods can easily disturb the shapes of the individual elements or their arrangement, and thus fail to preserve the latent structures of the input patterns. We present a novel differentiable compositing operator using pattern elements and use it to discover structures, in the form of a layered representation of graphical objects, directly from raw pattern images. This operator allows us to adapt current deep learning based image methods to effectively handle patterns. We evaluate our method on a range of patterns and demonstrate superiority in the context of pattern manipulations when compared against state-of-the-art
• Abstract（参考訳）: 図柄は、規則的または概規則的な配置で配置された要素の集合体であり、その優雅さと美的魅力から、重要な図画形式である。 基本構造のない平面画像としてパターンを符号化する場合、個々の要素形状と元の相対配置の両方を保存する必要があるため、手動でパターンを編集するのは面倒で難しい。 ピクセルレベルで動作する最先端のディープラーニングフレームワークは、そのようなパターンを操作するには適していない。 具体的には、これらの手法は個々の要素の形状や配列を容易に乱すことができ、入力パターンの潜伏構造を保存できない。 本稿では,パターン要素を用いた新しい微分可能合成演算子を提案し,それを用いて生のパターン画像から直接,グラフィカルオブジェクトの階層表現の形で構造を探索する。 この演算子は、パターンを効果的に処理するために、現在のディープラーニングベースの画像手法を適用することができる。 本手法は様々なパターンについて評価し,最先端と比べた場合のパターン操作の文脈で優れていることを示す。

関連論文リスト

• Learning Accurate Template Matching with Differentiable Coarse-to-Fine Correspondence Refinement [28.00275083733545]
  本稿では, 精度の高いテンプレートマッチング手法を提案する。 変圧器によって提供される新規な構造認識情報に基づいて、粗い対応を用いて初期ワープを推定する。 提案手法は最先端の手法やベースラインよりも大幅に優れており,実データにおいても,優れた一般化能力と視覚的検証が可能な結果が得られる。
  論文  参考訳（メタデータ） (2023-03-15T08:24:10Z)
• A Generalist Framework for Panoptic Segmentation of Images and Videos [61.61453194912186]
  我々は,タスクの帰納バイアスに頼ることなく,離散的なデータ生成問題としてパノプティクスセグメンテーションを定式化する。 単純な構造と一般的な損失関数を持つパノスコープマスクをモデル化するための拡散モデルを提案する。 本手法は,動画を(ストリーミング環境で)モデル化し,オブジェクトのインスタンスを自動的に追跡することを学ぶ。
  論文  参考訳（メタデータ） (2022-10-12T16:18:25Z)
• Arbitrary Style Transfer with Structure Enhancement by Combining the Global and Local Loss [51.309905690367835]
  本稿では,グローバルな損失と局所的な損失を組み合わせ,構造拡張を伴う任意のスタイル転送手法を提案する。 実験結果から,視覚効果の優れた高画質画像が生成できることが示唆された。
  論文  参考訳（メタデータ） (2022-07-23T07:02:57Z)
• Improving Shape Awareness and Interpretability in Deep Networks Using Geometric Moments [0.0]
  画像分類のためのディープネットワークは、しばしばオブジェクトの形状よりもテクスチャ情報に依存している。 本稿では,幾何学的モーメントにインスパイアされたディープラーニングモデルを提案する。 標準画像分類データセットにおける本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-05-24T02:08:05Z)
• Share With Thy Neighbors: Single-View Reconstruction by Cross-Instance Consistency [59.427074701985795]
  単一ビューの再構築は通常、視点アノテーション、シルエット、背景の欠如、同じインスタンスの複数のビュー、テンプレートの形状、対称性に依存する。 異なるオブジェクトインスタンスのイメージ間の一貫性を明確に活用することで、これらの監督と仮説をすべて回避します。 i)プログレッシブ・コンディショニング(プログレッシブ・コンディショニング)、(ii)類似の形状やテクスチャを持つインスタンス間の一貫性の喪失、(ii)モデルのカテゴリからインスタンスへと徐々に専門化するためのトレーニング戦略。
  論文  参考訳（メタデータ） (2022-04-21T17:47:35Z)
• Learning to Caricature via Semantic Shape Transform [95.25116681761142]
  本稿では,意味的形状変換に基づくアルゴリズムを提案する。 提案手法は,顔の構造を維持しつつ,視覚的に心地よい形状の誇張を表現できることを示す。
  論文  参考訳（メタデータ） (2020-08-12T03:41:49Z)
• Learning to Compose Hypercolumns for Visual Correspondence [57.93635236871264]
  本稿では,画像に条件付けされた関連レイヤを活用することで,動的に効率的な特徴を構成する視覚対応手法を提案する。 提案手法はダイナミックハイパーピクセルフロー(Dynamic Hyperpixel Flow)と呼ばれ,深層畳み込みニューラルネットワークから少数の関連層を選択することにより,高速にハイパーカラム機能を構成することを学習する。
  論文  参考訳（メタデータ） (2020-07-21T04:03:22Z)
• CoSE: Compositional Stroke Embeddings [52.529172734044664]
  本稿では、ストロークベースの描画タスクのような複雑な自由形式構造に対する生成モデルを提案する。 我々のアプローチは、自動補完図のようなインタラクティブなユースケースに適している。
  論文  参考訳（メタデータ） (2020-06-17T15:22:54Z)
• Using Wavelets and Spectral Methods to Study Patterns in Image-Classification Datasets [14.041012529932612]
  我々はウェーブレット変換とスペクトル法を用いて画像分類データセットの内容を分析する。 データセットから特定のパターンを抽出し、パターンとクラスの関係を見つける。 本手法は,これらのデータセットの学習可能性を理解し,解釈するためのパターン認識手法として利用できる。
  論文  参考訳（メタデータ） (2020-06-17T13:58:24Z)

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。