論文の概要: Resolution enhancement in the recovery of underdrawings via style
transfer by generative adversarial deep neural networks
- arxiv url: http://arxiv.org/abs/2102.00209v1
- Date: Sat, 30 Jan 2021 11:11:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-02 15:56:41.249899
- Title: Resolution enhancement in the recovery of underdrawings via style
transfer by generative adversarial deep neural networks
- Title（参考訳）: 生成型adversarial deep neural networkによるスタイル転送による下絵復元の分解能向上
- Authors: George Cann, Anthony Bourached, Ryan-Rhys Griffiths, and David Stork
- Abstract要約: 美術作品のX線画像における下絵やゴースト画像へのスタイル転送の問題に対して, 生成的対向畳み込みニューラルネットワークを適用した。
我々のニューラルアーキテクチャは、ジェネレータと差別化サブネットワークの階層構造によって高分解能を達成する。
- 参考スコア（独自算出の注目度）: 0.6999740786886537
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We apply generative adversarial convolutional neural networks to the problem
of style transfer to underdrawings and ghost-images in x-rays of fine art
paintings with a special focus on enhancing their spatial resolution. We build
upon a neural architecture developed for the related problem of synthesizing
high-resolution photo-realistic image from semantic label maps. Our neural
architecture achieves high resolution through a hierarchy of generators and
discriminator sub-networks, working throughout a range of spatial resolutions.
This coarse-to-fine generator architecture can increase the effective
resolution by a factor of eight in each spatial direction, or an overall
increase in number of pixels by a factor of 64. We also show that even just a
few examples of human-generated image segmentations can greatly improve --
qualitatively and quantitatively -- the generated images. We demonstrate our
method on works such as Leonardo's Madonna of the carnation and the
underdrawing in his Virgin of the rocks, which pose several special problems in
style transfer, including the paucity of representative works from which to
learn and transfer style information.
- Abstract（参考訳）: 本研究では, 生成的逆畳み込みニューラルネットワークを, 空間分解能の向上に特化しつつ, 美術絵画のx線下絵やゴースト画像へのスタイル転送問題に適用する。
意味ラベルマップから高分解能フォトリアリスティック画像を合成する関連問題のために開発されたニューラルアーキテクチャを構築した。
我々のニューラルアーキテクチャは、ジェネレータと差別化サブネットワークの階層によって高解像度を実現し、空間分解能の範囲で機能する。
この粗細な生成器アーキテクチャは、各空間方向の有効解像度を8倍にしたり、64倍のピクセル数を全体として増やすことができる。
また,人間の生成した画像分割の例をほんの数例でも,生成された画像の質的,定量的に改善できることを示した。
レオナルドのカーネーションのマドンナ(Madonna of the Carnation)や、彼の岩の女神(Virgin of the Rock)のアンダードローイング(underdrawing)など、スタイル情報の学習と転送を行う代表的な作品のパウシティなど、スタイル転送にいくつかの特別な問題を引き起こしている。
関連論文リスト
- Research on Image Super-Resolution Reconstruction Mechanism based on Convolutional Neural Network [8.739451985459638]
超解像アルゴリズムは、同一シーンから撮影された1つ以上の低解像度画像を高解像度画像に変換する。
再構成過程における画像の特徴抽出と非線形マッピング手法は,既存のアルゴリズムでは依然として困難である。
目的は、高解像度の画像から高品質で高解像度の画像を復元することである。
論文 参考訳（メタデータ） (2024-07-18T06:50:39Z) - Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。
提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。
提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
論文 参考訳（メタデータ） (2023-03-17T18:00:27Z) - Semantic Encoder Guided Generative Adversarial Face Ultra-Resolution
Network [15.102899995465041]
本稿では,セマンティックガイド付き生成逆顔超解像ネットワーク(SEGA-FURN)を提案する。
提案するネットワークは, 組込みセマンティクスを捕捉し, 対数学習を誘導する新しいセマンティクスエンコーダと, Residual in Internal Block (RIDB) という階層型アーキテクチャを用いた新しいジェネレータから構成される。
大規模顔データを用いた実験により,提案手法は優れた超解像結果が得られ,定性比較と定量的比較の両面で他の最先端手法よりも優れることが示された。
論文 参考訳（メタデータ） (2022-11-18T23:16:57Z) - Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。
我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
論文 参考訳（メタデータ） (2022-04-19T17:59:45Z) - Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。
本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文 参考訳（メタデータ） (2021-08-19T11:02:25Z) - Diamond in the rough: Improving image realism by traversing the GAN
latent space [0.0]
改良されたフォトリアリズムと整合する潜在空間の方向を求める教師なし手法を提案する。
提案手法は,生成画像の忠実度を高めつつ,ネットワークを不変にしておく。
私たちは、イメージ空間の最小の変化をもたらす潜在空間の方向を見つけるために、単純なジェネレータインバージョンを使用します。
論文 参考訳（メタデータ） (2021-04-12T14:45:29Z) - Free-Form Image Inpainting via Contrastive Attention Network [64.05544199212831]
画像の塗装作業では、複雑なパターンを形成する画像のどこにでも、どんな形でもマスクが現れる。
エンコーダはこの複雑な状況下でこのような強力な表現を捕捉することは困難である。
本稿では,ロバスト性と一般化性を改善するための自己教師型シームズ推論ネットワークを提案する。
論文 参考訳（メタデータ） (2020-10-29T14:46:05Z) - WDN: A Wide and Deep Network to Divide-and-Conquer Image
Super-resolution [0.0]
分割と征服は確立されたアルゴリズム設計パラダイムであり、様々な問題を効率的に解くことが証明されている。
本稿では,画像超解像の問題を複数のサブプロブレムに分割し,ニューラルネットワークの助けを借りて解く手法を提案する。
論文 参考訳（メタデータ） (2020-10-07T06:15:11Z) - Neural Sparse Representation for Image Restoration [116.72107034624344]
スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。
本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。
実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
論文 参考訳（メタデータ） (2020-06-08T05:15:17Z) - Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。
ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。
提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
論文 参考訳（メタデータ） (2020-03-15T11:04:30Z)
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。