論文の概要: Generator Pyramid for High-Resolution Image Inpainting

• arxiv url: http://arxiv.org/abs/2012.02381v1
• Date: Fri, 4 Dec 2020 03:27:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-22 20:35:24.287546
• Title: Generator Pyramid for High-Resolution Image Inpainting
• Title（参考訳）: 高分解能画像インパインティング用ジェネレータピラミッド
• Authors: Leilei Cao, Tong Yang, Yixu Wang, Bo Yan, Yandong Guo
• Abstract要約: 大きな穴を持つ高解像度画像の塗り絵は、既存のディープラーニングベースの画像の塗り絵に挑戦する。 コンテンツ補完とテクスチャ合成を明確に切り離した,高分解能画像インペイントタスクのための新しいフレームワーク - PyramidFillを提案する。 我々のモデルは完全な畳み込み型GANのピラミッドで構成されており、GANは最小解像度のマスク画像のコンテンツを完成させる責任を負い、GANは高解像度の画像のテクスチャを合成する責任を負う。
• 参考スコア（独自算出の注目度）: 12.915306385626828
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inpainting high-resolution images with large holes challenges existing deep learning based image inpainting methods. We present a novel framework -- PyramidFill for high-resolution image inpainting task, which explicitly disentangles content completion and texture synthesis. PyramidFill attempts to complete the content of unknown regions in a lower-resolution image, and synthesis the textures of unknown regions in a higher-resolution image, progressively. Thus, our model consists of a pyramid of fully convolutional GANs, wherein the content GAN is responsible for completing contents in the lowest-resolution masked image, and each texture GAN is responsible for synthesizing textures in a higher-resolution image. Since completing contents and synthesising textures demand different abilities from generators, we customize different architectures for the content GAN and texture GAN. Experiments on multiple datasets including CelebA-HQ, Places2 and a new natural scenery dataset (NSHQ) with different resolutions demonstrate that PyramidFill generates higher-quality inpainting results than the state-of-the-art methods. To better assess high-resolution image inpainting methods, we will release NSHQ, high-quality natural scenery images with high-resolution 1920$\times$1080.
• Abstract（参考訳）: 大きな穴を持つ高解像度画像のインペインティングは、既存のディープラーニングベースのイメージインペインティング手法に挑戦する。 本稿では,コンテント補完とテクスチャ合成を明示的に区別する,高解像度画像インペインティングタスクのための新しいフレームワークであるpyramidfillを提案する。 PyramidFillは、低解像度画像で未知の領域の内容を完成させ、高解像度画像で未知の領域のテクスチャを徐々に合成しようとする。 したがって,本モデルでは,低解像度マスク画像における内容の完結にGANが関与し,高解像度画像におけるテクスチャの合成にGANが関与する,完全畳み込み型GANのピラミッドで構成されている。 コンテントの完成とテクスチャの合成はジェネレータと異なる能力を必要とするため、コンテンツGANとテクスチャGANの異なるアーキテクチャをカスタマイズする。 CelebA-HQ、Places2、および解像度の異なる新しい自然景観データセット(NSHQ)を含む複数のデータセットの実験は、PraamidFillが最先端の手法よりも高品質な塗装結果を生成することを示した。 高精細画像の塗布方法を改善するため,高精細1920$\times$1080のNSHQ,高精細自然景観画像をリリースする。

関連論文リスト

• Meta 3D TextureGen: Fast and Consistent Texture Generation for 3D Objects [54.80813150893719]
  高品質なテクスチャを20秒未満で生成することを目的とした,2つのシーケンシャルネットワークで構成される新しいフィードフォワード方式であるMeta 3D TextureGenを紹介する。 提案手法は,2次元空間の3次元セマンティクスにテキスト・ツー・イメージ・モデルを適用し,それらを完全かつ高解像度なUVテクスチャマップに融合することにより,品質とスピードを向上する。 さらに、任意の比率で任意のテクスチャをアップスケーリングできるテクスチャ拡張ネットワークを導入し、4kピクセルの解像度テクスチャを生成します。
  論文  参考訳（メタデータ） (2024-07-02T17:04:34Z)
• ENTED: Enhanced Neural Texture Extraction and Distribution for Reference-based Blind Face Restoration [51.205673783866146]
  我々は,高品質でリアルな肖像画を復元することを目的とした,ブラインドフェイス修復のための新しいフレームワークであるENTEDを提案する。 劣化した入力画像と参照画像の間で高品質なテクスチャ特徴を伝達するために,テクスチャ抽出と分布の枠組みを利用する。 われわれのフレームワークにおけるStyleGANのようなアーキテクチャは、現実的な画像を生成するために高品質な潜伏符号を必要とする。
  論文  参考訳（メタデータ） (2024-01-13T04:54:59Z)
• TwinTex: Geometry-aware Texture Generation for Abstracted 3D Architectural Models [13.248386665044087]
  我々はTwinTexについて紹介する。TwinTexは写真にリアルなテクスチャを生成する最初の自動テクスチャマッピングフレームワークである。 提案手法は, 高品質なテクスチャマッピング手法を超越し, より少ない労力で, 熟練した生産水準に達する。
  論文  参考訳（メタデータ） (2023-09-20T12:33:53Z)
• Pyramid Texture Filtering [86.15126028139736]
  目立った構造を保ちながらテクスチャをスムーズにするための,シンプルだが効果的な手法を提案する。 ガウスピラミッドの粗いレベルは、しばしば自然にテクスチャを排除し、主要な画像構造を要約する。 本手法は, 異なるスケール, 局所的なコントラスト, 形状のテクスチャから構造を分離する上で, 構造劣化や視覚的アーティファクトの導入を伴わずに有効であることを示す。
  論文  参考訳（メタデータ） (2023-05-11T02:05:30Z)
• Structure First Detail Next: Image Inpainting with Pyramid Generator [26.94101909283021]
  いくつかのサブジェネレータを積み重ねてピラミッドジェネレータを構築することを提案する。 低層サブジェネレータは画像構造の復元に重点を置いており、高層サブジェネレータは画像の詳細を強調する。 我々の手法は、徐々に穴の大きさを拡大し、大きな穴の画像の復元を可能にする学習手法を持っている。
  論文  参考訳（メタデータ） (2021-06-16T16:00:16Z)
• InfinityGAN: Towards Infinite-Resolution Image Synthesis [92.40782797030977]
  任意の解像度画像を生成するinfinityganを提案する。 少ない計算資源でパッチバイパッチをシームレスに訓練し、推論する方法を示す。
  論文  参考訳（メタデータ） (2021-04-08T17:59:30Z)
• Aggregated Contextual Transformations for High-Resolution Image Inpainting [57.241749273816374]
  画像の高精細化のための拡張GANモデルAggregated Contextual-Transformation GAN (AOT-GAN)を提案する。 そこで,提案するAOTブロックの複数のレイヤを積み重ねることで,AOT-GANのジェネレータを構築する。 テクスチャ合成を改善するため,AOT-GANの識別をマスク予測タスクでトレーニングすることで強化する。
  論文  参考訳（メタデータ） (2021-04-03T15:50:17Z)
• Generating Diverse Structure for Image Inpainting With Hierarchical VQ-VAE [74.29384873537587]
  本稿では,異なる構造を持つ複数の粗い結果を第1段階で生成し,第2段階ではテクスチャを増補して各粗い結果を別々に洗練する,多彩な塗布用2段階モデルを提案する。 CelebA-HQ, Places2, ImageNetデータセットによる実験結果から,本手法は塗布ソリューションの多様性を向上するだけでなく,生成した複数の画像の視覚的品質も向上することが示された。
  論文  参考訳（メタデータ） (2021-03-18T05:10:49Z)
• Efficient texture-aware multi-GAN for image inpainting [5.33024001730262]
  近年のGAN (Generative Adversarial Network) のインペイント手法は顕著に改善されている。 本稿では,性能とレンダリング効率の両方を改善するマルチGANアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-09-30T14:58:03Z)

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。