論文の概要: Joint Intensity-Gradient Guided Generative Modeling for Colorization
- arxiv url: http://arxiv.org/abs/2012.14130v1
- Date: Mon, 28 Dec 2020 07:52:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-19 11:03:56.497855
- Title: Joint Intensity-Gradient Guided Generative Modeling for Colorization
- Title(参考訳): 色化のためのジョイントイントインテンシティ勾配誘導生成モデル
- Authors: Kai Hong, Jin Li, Wanyun Li, Cailian Yang, Minghui Zhang, Yuhao Wang
and Qiegen Liu
- Abstract要約: 本稿では,自動着色問題を解決するための反復生成モデルを提案する。
データ忠実度項における共同強度勾配制約は、生成モデル内の自由度を制限するために提案される。
実験により、定量的比較やユーザ研究において、システムは最先端の手法よりも優れていた。
- 参考スコア(独自算出の注目度): 16.89777347891486
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes an iterative generative model for solving the automatic
colorization problem. Although previous researches have shown the capability to
generate plausible color, the edge color overflow and the requirement of the
reference images still exist. The starting point of the unsupervised learning
in this study is the observation that the gradient map possesses latent
information of the image. Therefore, the inference process of the generative
modeling is conducted in joint intensity-gradient domain. Specifically, a set
of intensity-gradient formed high-dimensional tensors, as the network input,
are used to train a powerful noise conditional score network at the training
phase. Furthermore, the joint intensity-gradient constraint in data-fidelity
term is proposed to limit the degree of freedom within generative model at the
iterative colorization stage, and it is conducive to edge-preserving. Extensive
experiments demonstrated that the system outperformed state-of-the-art methods
whether in quantitative comparisons or user study.
- Abstract(参考訳): 本稿では,自動着色問題を解決するための反復生成モデルを提案する。
従来の研究では、可塑性色を生成する能力が示されていたが、エッジ色オーバーフローと参照画像の要求がまだ残っている。
本研究における教師なし学習の出発点は、勾配写像が画像の潜在情報を持っているという観察である。
したがって、生成モデリングの推論過程は、合同強度勾配領域で行われる。
具体的には、ネットワーク入力として、強度勾配の高次元テンソルの集合を用いて、トレーニングフェーズで強力な雑音条件スコアネットワークをトレーニングする。
さらに,反復発色段階における生成モデル内の自由度を制限するため,データ忠実性項における合同強度勾配制約を提案し,エッジ保存に寄与する。
広範な実験により、定量的比較やユーザ研究において、システムは最先端の手法よりも優れていた。
関連論文リスト
- Derivative-Free Diffusion Manifold-Constrained Gradient for Unified XAI [59.96044730204345]
微分自由拡散多様体制約勾配(FreeMCG)を導入する。
FreeMCGは、与えられたニューラルネットワークの説明可能性を改善する基盤として機能する。
提案手法は,XAIツールが期待する本質性を保ちながら,最先端の成果が得られることを示す。
論文 参考訳(メタデータ) (2024-11-22T11:15:14Z) - Test-time Conditional Text-to-Image Synthesis Using Diffusion Models [15.24270990274781]
TINTIN: Diffusion Modelsを用いたテスト時条件テキスト画像合成は、新しいトレーニング不要なテスト時のみのアルゴリズムである。
質的にも定量的にも、現在の最先端技術よりも大幅に改善されていることを示す。
論文 参考訳(メタデータ) (2024-11-16T13:32:18Z) - PrefPaint: Aligning Image Inpainting Diffusion Model with Human Preference [62.72779589895124]
画像インペイントのための拡散モデルと人間の審美基準との整合性を、強化学習フレームワークを用いて初めて試みる。
我々は、人間の好みを付加した約51,000枚の画像からなるデータセットで報酬モデルを訓練する。
画像拡張や3次元再構成などの下流タスクの塗装比較実験により, 提案手法の有効性が示された。
論文 参考訳(メタデータ) (2024-10-29T11:49:39Z) - Multi-view Disparity Estimation Using a Novel Gradient Consistency Model [0.0]
本稿では,線形化の有効性を評価するために,勾配一貫性情報を用いることを提案する。
この情報は、解析的にインスパイアされたグラディエント一貫性モデルの一部として、データ項に適用される重みを決定するために使用される。
グラディエント一貫性モデルが標準粗大なスキームよりも優れていることを示す。
論文 参考訳(メタデータ) (2024-05-27T10:30:59Z) - Steered Diffusion: A Generalized Framework for Plug-and-Play Conditional
Image Synthesis [62.07413805483241]
Steered Diffusionは、無条件生成のために訓練された拡散モデルを用いたゼロショット条件画像生成のためのフレームワークである。
塗装,着色,テキスト誘導セマンティック編集,画像超解像などのタスクに対して,ステアリング拡散を用いた実験を行った。
論文 参考訳(メタデータ) (2023-09-30T02:03:22Z) - Gradpaint: Gradient-Guided Inpainting with Diffusion Models [71.47496445507862]
Denoising Diffusion Probabilistic Models (DDPM) は近年,条件付きおよび非条件付き画像生成において顕著な成果を上げている。
我々はGradPaintを紹介し、グローバルな一貫性のあるイメージに向けて世代を操る。
我々は、様々なデータセットで訓練された拡散モデルによく適応し、現在最先端の教師付きおよび教師なしの手法を改善している。
論文 参考訳(メタデータ) (2023-09-18T09:36:24Z) - Auto-regressive Image Synthesis with Integrated Quantization [55.51231796778219]
本稿では,条件付き画像生成のための多目的フレームワークを提案する。
CNNの帰納バイアスと自己回帰の強力なシーケンスモデリングが組み込まれている。
提案手法は,最先端技術と比較して,優れた多彩な画像生成性能を実現する。
論文 参考訳(メタデータ) (2022-07-21T22:19:17Z) - Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。
実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
論文 参考訳(メタデータ) (2021-11-27T12:12:57Z) - High-dimensional Assisted Generative Model for Color Image Restoration [12.459091135428885]
本研究は,カラー画像復元作業において,高次元のスコアベース生成モデルを利用する教師なしのディープラーニング手法を提案する。
スコアベース生成モデルにおけるサンプル数と内部次元を考慮すると、チャネルコピー変換はサンプル数を増やし、ピクセルスケール変換は実現可能な次元空間を減少させる2つの異なる高次元方法が提案される。
高次元表現を学習することの難しさを軽減するために,性能を活用するためのプログレッシブ戦略を提案する。
論文 参考訳(メタデータ) (2021-08-14T04:05:29Z) - Wavelet Transform-assisted Adaptive Generative Modeling for Colorization [15.814591440291652]
本研究では,ウェーブレット領域におけるスコアベース生成モデルを利用した新しい手法を提案する。
ウェーブレット変換によるマルチスケールおよびマルチチャネル表現を利用することで,重畳されたウェーブレット係数成分から先行情報を学習する。
実験により, 提案モデルが着色品質, 特に着色性, 多様性に顕著な改善が認められた。
論文 参考訳(メタデータ) (2021-07-09T07:12:39Z)
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。