Fugu-MT 論文翻訳(概要): Learning from Shader Program Traces

論文の概要: Learning from Shader Program Traces

arxiv url: http://arxiv.org/abs/2102.04533v1
Date: Mon, 8 Feb 2021 21:08:14 GMT
ステータス: 処理完了
システム内更新日: 2021-02-10 14:52:17.231485
Title: Learning from Shader Program Traces
Title（参考訳）: Shader Program Tracesから学ぶ
Authors: Yuting Yang, Connelly Barnes, Adam Finkelstein
Abstract要約: 画像処理のためのディープネットワークは通常、RGBピクセルから学習する。本稿では,プログラム実行中に計算される中間値であるプログラムトレースから学習することを提案する。
参考スコア（独自算出の注目度）: 19.288861518662547
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep networks for image processing typically learn from RGB pixels. This paper proposes instead to learn from program traces, the intermediate values computed during program execution. We study this idea in the context of pixel~shaders -- programs that generate images, typically running in parallel (for each pixel) on GPU hardware. The intermediate values computed at each pixel during program execution form the input to the learned model. In a variety of applications, models learned from program traces outperform baseline models learned from RGB, even when augmented with hand-picked shader-specific features. We also investigate strategies for selecting a subset of trace features for learning; using just a small subset of the trace still outperforms the baselines.
Abstract（参考訳）: 画像処理のためのディープネットワークは通常、RGBピクセルから学習する。本稿では,プログラム実行中に計算される中間値であるプログラムトレースから学ぶことを提案する。我々は、このアイデアを、一般的にGPUハードウェア上で(各ピクセルに対して)並列に実行される画像を生成する、ピクセル〜シェーダのコンテキストで研究する。プログラム実行中に各ピクセルで計算された中間値は、学習モデルへの入力を形成します。さまざまなアプリケーションでは、プログラムトレースから学んだモデルは、手描きシェーダー固有の機能で拡張しても、RGBから学んだベースラインモデルよりも優れています。また、学習のためのトレース機能のサブセットを選択する戦略も検討します。トレースの小さなサブセットは、ベースラインを上回ります。

関連論文リスト

Parallel Watershed Partitioning: GPU-Based Hierarchical Image Segmentation [4.560718678349679]
多くの画像処理アプリケーションは、画像が「類似した」画素の非結合領域に分割することに依存している。機械学習に基づくセマンティックセグメンテーションのための前処理ステップとして,この完全決定論的イメージパーティショニングを利用する方法を示す。
論文参考訳（メタデータ） (2024-10-11T16:15:43Z)
Simple Image Signal Processing using Global Context Guidance [56.41827271721955]
ディープラーニングベースのISPは、深層ニューラルネットワークを使用してRAW画像をDSLRライクなRGBイメージに変換することを目指している。我々は,全RAW画像からグローバルなコンテキスト情報をキャプチャするために,任意のニューラルISPに統合可能な新しいモジュールを提案する。本モデルでは,多種多様な実スマートフォン画像を用いて,様々なベンチマークで最新の結果が得られる。
論文参考訳（メタデータ） (2024-04-17T17:11:47Z)
Splatter Image: Ultra-Fast Single-View 3D Reconstruction [67.96212093828179]
Splatter ImageはGaussian Splattingをベースにしており、複数の画像から3Dシーンを高速かつ高品質に再現することができる。テスト時に38FPSでフィードフォワードで再構成を行うニューラルネットワークを学習する。いくつかの総合、実、マルチカテゴリ、大規模ベンチマークデータセットにおいて、トレーニング中にPSNR、LPIPS、その他のメトリクスでより良い結果を得る。
論文参考訳（メタデータ） (2023-12-20T16:14:58Z)
Pixel Relationships-based Regularizer for Retinal Vessel Image Segmentation [4.3251090426112695]
本研究は, 正則化器を用いて, 学習プロセスに画素近傍の関係情報を付与する。実験により,提案手法は画素近傍関係の捕捉に成功し,畳み込みニューラルネットワークの性能向上を図っている。
論文参考訳（メタデータ） (2022-12-28T07:35:20Z)
4D LUT: Learnable Context-Aware 4D Lookup Table for Image Enhancement [50.49396123016185]
学習可能なコンテキスト対応4次元ルックアップテーブル(4D LUT)を提案する。写真コンテキストを適応的に学習することで、各画像内の異なる内容のコンテンツ依存的な拡張を実現する。従来の3D LUT、すなわちRGBへのRGBマッピングと比較して、4D LUTは画像ごとに異なる内容の画素の色変換をより細かく制御できる。
論文参考訳（メタデータ） (2022-09-05T04:00:57Z)
Learning Geodesic-Aware Local Features from RGB-D Images [8.115075181267109]
非剛性変形に不変なRGB-D画像から記述子を計算するための新しい手法を提案する。提案手法は,非歪な局所像パッチ上で特徴表現を学習する鍵となる考え方に基づいている。実際に利用可能なRGB-Dデータベンチマークを使用したさまざまな実験では、最先端の手作りおよび学習ベースのイメージとRGB-D記述子を一貫して上回っている。
論文参考訳（メタデータ） (2022-03-22T19:52:49Z)
The State of the Art when using GPUs in Devising Image Generation Methods Using Deep Learning [0.0]
ディープラーニングは、多層ニューラルネットワークを用いた機械学習のテクニックである。画像合成や画像認識に用いられてきたが、近年は様々な社会的検出や社会的ラベル付けにも用いられている。
論文参考訳（メタデータ） (2021-09-13T09:00:29Z)
Semantic-embedded Unsupervised Spectral Reconstruction from Single RGB Images in the Wild [48.44194221801609]
この課題に対処するため、我々は、新しい軽量でエンドツーエンドの学習ベースのフレームワークを提案する。我々は、効率的なカメラスペクトル応答関数推定により、検索されたHS画像から入力されたRGB画像と再投影されたRGB画像の差を徐々に広げる。提案手法は最先端の教師なし手法よりも優れており,いくつかの設定下では最新の教師付き手法よりも優れている。
論文参考訳（メタデータ） (2021-08-15T05:19:44Z)
Exploring Cross-Image Pixel Contrast for Semantic Segmentation [130.22216825377618]
完全教師付きセッティングにおけるセマンティックセグメンテーションのための画素単位のコントラストフレームワークを提案する。中心となる考え方は、同じセマンティッククラスに属するピクセルの埋め込みを、異なるクラスの埋め込みよりもよく似ているように強制することである。テスト中に余分なオーバーヘッドを伴わずに既存のセグメンテーションフレームワークに懸命に組み込むことができる。
論文参考訳（メタデータ） (2021-01-28T11:35:32Z)
Learning RGB-D Feature Embeddings for Unseen Object Instance Segmentation [67.88276573341734]
合成データからRGB-D特徴埋め込みを学習し,オブジェクトのインスタンスセグメンテーションを未確認する手法を提案する。距離学習損失関数を用いて画素単位の機能埋め込みを学習する。新たな2段階クラスタリングアルゴリズムにより,セグメンテーションの精度をさらに向上する。
論文参考訳（メタデータ） (2020-07-30T00:23:07Z)
Visual Descriptor Learning from Monocular Video [25.082587246288995]
完全畳み込みネットワークを訓練することにより,RGB画像上の高密度対応性を推定する手法を提案する。提案手法は,光学的流れから相対的なラベリングを推定するコントラッシブ・ロスを用いてRGBビデオから学習する。同じバックグラウンドを持つテストデータに対して、メソッドがうまく機能するだけでなく、新しいバックグラウンドを持つ状況にも一般化する。
論文参考訳（メタデータ） (2020-04-15T11:19:57Z)

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。