論文の概要: SCGAN: Saliency Map-guided Colorization with Generative Adversarial Network

• arxiv url: http://arxiv.org/abs/2011.11377v1
• Date: Mon, 23 Nov 2020 13:06:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-22 03:06:21.856008
• Title: SCGAN: Saliency Map-guided Colorization with Generative Adversarial Network
• Title（参考訳）: SCGAN: ジェネレーティブ・ディバイサル・ネットワークを用いた鮮度マップ誘導カラー化
• Authors: Yuzhi Zhao, Lai-Man Po, Kwok-Wai Cheung, Wing-Yin Yu, Yasar Abbas Ur Rehman
• Abstract要約: 本稿では,SCGAN(Generative Adversarial Network)フレームワークによる完全自動サリエンシマップ誘導色付けを提案する。 これは、意味的混乱と色出血を最小限に抑えるために、着色と塩分濃度マップを共同で予測する。 実験結果から,SCGANは最先端技術よりも,より合理的なカラー化画像を生成することができることがわかった。
• 参考スコア（独自算出の注目度）: 16.906813829260553
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given a grayscale photograph, the colorization system estimates a visually plausible colorful image. Conventional methods often use semantics to colorize grayscale images. However, in these methods, only classification semantic information is embedded, resulting in semantic confusion and color bleeding in the final colorized image. To address these issues, we propose a fully automatic Saliency Map-guided Colorization with Generative Adversarial Network (SCGAN) framework. It jointly predicts the colorization and saliency map to minimize semantic confusion and color bleeding in the colorized image. Since the global features from pre-trained VGG-16-Gray network are embedded to the colorization encoder, the proposed SCGAN can be trained with much less data than state-of-the-art methods to achieve perceptually reasonable colorization. In addition, we propose a novel saliency map-based guidance method. Branches of the colorization decoder are used to predict the saliency map as a proxy target. Moreover, two hierarchical discriminators are utilized for the generated colorization and saliency map, respectively, in order to strengthen visual perception performance. The proposed system is evaluated on ImageNet validation set. Experimental results show that SCGAN can generate more reasonable colorized images than state-of-the-art techniques.
• Abstract（参考訳）: グレースケールの写真が与えられた場合、カラー化システムは視覚的に可視なカラフルな画像を推定する。 従来の手法では、しばしば意味論を使ってグレースケールの画像を彩色する。 しかし、これらの方法では、分類意味情報のみを埋め込んで、最終色化画像に意味的混乱と色出血をもたらす。 これらの問題に対処するため,生成適応ネットワーク(SCGAN)フレームワークによる完全自動サリエンシマップ誘導色付けを提案する。 カラー化とサリエンシーマップを共同で予測し、カラー化画像における意味的混乱と色出血を最小限に抑える。 事前学習したVGG-16-Grayネットワークのグローバルな特徴をカラー化エンコーダに埋め込むため、提案したSCGANは最先端の手法よりもはるかに少ないデータでトレーニングし、知覚的に合理的なカラー化を実現することができる。 さらに,新たなサリエンシーマップに基づく誘導手法を提案する。 カラー化デコーダのブランチを使用して、サリエンシマップをプロキシターゲットとして予測する。 また,2つの階層的判別器をそれぞれ生成した彩色図と塩分図に活用し,視覚知覚性能の向上を図る。 提案システムはimagenet検証セット上で評価される。 実験の結果,SCGANは最先端技術よりも,より合理的なカラー化画像を生成することができた。

関連論文リスト

• Transforming Color: A Novel Image Colorization Method [8.041659727964305]
  本稿では,色変換器とGANを用いた画像カラー化手法を提案する。 提案手法は,グローバルな情報を取得するためのトランスフォーマーアーキテクチャと,視覚的品質を改善するためのGANフレームワークを統合する。 実験の結果,提案するネットワークは,他の最先端のカラー化技術よりも優れていた。
  論文  参考訳（メタデータ） (2024-10-07T07:23:42Z)
• Automatic Controllable Colorization via Imagination [55.489416987587305]
  本稿では,反復的な編集と修正が可能な自動色付けフレームワークを提案する。 グレースケール画像内のコンテンツを理解することにより、トレーニング済みの画像生成モデルを用いて、同じコンテンツを含む複数の画像を生成する。 これらの画像は、人間の専門家の過程を模倣して、色付けの参考となる。
  論文  参考訳（メタデータ） (2024-04-08T16:46:07Z)
• SPDGAN: A Generative Adversarial Network based on SPD Manifold Learning for Automatic Image Colorization [1.220743263007369]
  生成逆ネットワーク(SPDGAN)を用いたSymmetric Positive Definite (SPD) Manifold Learningに基づく完全自動カラー化手法を提案する。 本モデルは,2つの識別器とジェネレータの対角ゲームを確立する。その目標は,残差接続により層間の色情報を失うことなく,偽のカラー化画像を生成することである。
  論文  参考訳（メタデータ） (2023-12-21T00:52:01Z)
• Semantic-Sparse Colorization Network for Deep Exemplar-based Colorization [23.301799487207035]
  模範的なカラー化アプローチは、対象のグレースケール画像に対して可視色を提供するために、参照画像に依存する。 本研究では,グローバルな画像スタイルとセマンティックな色の両方をグレースケールに転送するセマンティック・スパースカラー化ネットワーク(SSCN)を提案する。 我々のネットワークは、あいまいなマッチング問題を緩和しつつ、グローバルカラーとローカルカラーのバランスを完全にとることができる。
  論文  参考訳（メタデータ） (2021-12-02T15:35:10Z)
• HistoGAN: Controlling Colors of GAN-Generated and Real Images via Color Histograms [52.77252727786091]
  HistoGANは、GAN生成画像の色を制御するための色ヒストグラムに基づく方法である。 我々は、HistoGANを拡張して、実画像を再色する方法を示す。
  論文  参考訳（メタデータ） (2020-11-23T21:14:19Z)
• Image Colorization: A Survey and Dataset [94.59768013860668]
  本稿では,最先端の深層学習に基づく画像着色技術に関する包括的調査を行う。 既存の着色技法を7つのクラスに分類し、その性能を規定する重要な要因について論じる。 我々は既存のデータセットと提案した画像の両方を用いて、既存の画像のカラー化手法を広範囲に実験的に評価する。
  論文  参考訳（メタデータ） (2020-08-25T01:22:52Z)
• Controllable Image Synthesis via SegVAE [89.04391680233493]
  セマンティックマップは条件付き画像生成の中間表現として一般的に使用される。 本研究では,所望のカテゴリからなるラベルセットを与えられたセマンティックマップの生成を特に対象とする。 提案するフレームワークSegVAEは,条件付き変分オートエンコーダを用いて,セマンティックマップを反復的に合成する。
  論文  参考訳（メタデータ） (2020-07-16T15:18:53Z)
• Semantic-driven Colorization [78.88814849391352]
  最近の着色は、白黒画像の着色を学習しながら意味情報を暗黙的に予測する。 そこで本研究では,まず,人間の動作をシミュレートして,画像の理解を学習し,色づけする。
  論文  参考訳（メタデータ） (2020-06-13T08:13:30Z)
• Learning to Structure an Image with Few Colors [59.34619548026885]
  そこで,カラー量子化ネットワークであるColorCNNを提案する。 1ビットのカラースペース(すなわち2色)だけで、提案されたネットワークはCIFAR10データセット上で82.1%のトップ-1の精度を達成した。 アプリケーションの場合、PNGでエンコードされた場合、提案したカラー量子化は、極低ビットレート方式の他の画像圧縮方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-17T17:56:15Z)

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。