論文の概要: Learning a Sketch Tensor Space for Image Inpainting of Man-made Scenes

• arxiv url: http://arxiv.org/abs/2103.15087v1
• Date: Sun, 28 Mar 2021 09:18:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-31 10:45:38.184106
• Title: Learning a Sketch Tensor Space for Image Inpainting of Man-made Scenes
• Title（参考訳）: スケッチテンソル空間の学習による人工シーンのイメージインペインティング
• Authors: Chenjie Cao, Yanwei Fu
• Abstract要約: 本稿では,人為的なシーンを描く作業について検討する。 エッジ、ライン、ジャンクションなどの画像の視覚パターンを保存することが困難であるため、非常に困難です。
• 参考スコア（独自算出の注目度）: 44.74872470036195
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: This paper studies the task of inpainting man-made scenes. It is very challenging due to the difficulty in preserving the visual patterns of images, such as edges, lines, and junctions. Especially, most previous works are failed to restore the object/building structures for images of man-made scenes. To this end, this paper proposes learning a Sketch Tensor (ST) space for inpainting man-made scenes. Such a space is learned to restore the edges, lines, and junctions in images, and thus makes reliable predictions of the holistic image structures. To facilitate the structure refinement, we propose a Multi-scale Sketch Tensor inpainting (MST) network, with a novel encoder-decoder structure. The encoder extracts lines and edges from the input images to project them into an ST space. From this space, the decoder is learned to restore the input images. Extensive experiments validate the efficacy of our model. Furthermore, our model can also achieve competitive performance in inpainting general nature images over the competitors.
• Abstract（参考訳）: 本稿では,人為的なシーンを描く作業について検討する。 エッジ、ライン、ジャンクションといった画像の視覚的パターンを保存するのが難しいため、非常に難しい。 特に、それまでのほとんどの作品は、人工のシーンの画像のオブジェクト/構築構造を復元できなかった。 そこで本稿では,人造シーンを描き込むためのスケッチテンソル(st)空間の学習を提案する。 このような空間は、画像のエッジ、ライン、ジャンクションを復元するために学習され、その結果、全体像構造の信頼できる予測を行う。 構造改善を容易にするために,新しいエンコーダ・デコーダ構造を持つマルチスケール・スケッチ・テンソル塗装 (MST) ネットワークを提案する。 エンコーダは入力画像から線とエッジを抽出してST空間に投影する。 この空間からデコーダが学習され、入力画像が復元される。 広範な実験は、我々のモデルの有効性を検証する。 さらに,本モデルでは,コンペティタに対する一般的な自然像の塗布において,競争性能が向上する。

関連論文リスト

• Sketch-Guided Scene Image Generation [11.009579131371018]
  スケッチ入力からシーン画像を生成するタスクを分解したスケッチ誘導シーン画像生成フレームワークを提案する。 事前学習した拡散モデルを用いて、個々のオブジェクトの描画をオブジェクトのイメージに変換し、余分なスケッチ構造を維持しながら追加の詳細を推測する。 シーンレベルの画像構築において、分離した背景プロンプトを用いてシーン画像の潜在表現を生成する。
  論文  参考訳（メタデータ） (2024-07-09T00:16:45Z)
• Towards Interactive Image Inpainting via Sketch Refinement [13.34066589008464]
  そこで本研究では,SketchRefinerと呼ばれる2段階画像のインペイント手法を提案する。 第1段階では,クロス相関損失関数を用いて,ユーザが提供するスケッチを堅牢に校正し,洗練する。 第2段階では,特徴空間の抽象的スケッチから情報的特徴を抽出し,着色過程を変調する。
  論文  参考訳（メタデータ） (2023-06-01T07:15:54Z)
• Perceptual Artifacts Localization for Inpainting [60.5659086595901]
  そこで本研究では,知覚的アーティファクトの自動セグメンテーションの学習タスクを提案する。 データセット上で高度なセグメンテーションネットワークをトレーニングし、インペイントされた画像内のインペイントされたアーティファクトを確実にローカライズする。 また, 対象領域と対象領域全体との比率である知覚人工物比 (PAR) という新しい評価指標を提案する。
  論文  参考訳（メタデータ） (2022-08-05T18:50:51Z)
• Fully Context-Aware Image Inpainting with a Learned Semantic Pyramid [102.24539566851809]
  画像中の任意の欠落する領域に対して、合理的で現実的なコンテンツを復元することは、重要な課題である。 最近の画像インパインティングモデルは鮮明な視覚的詳細を生成するために大きな進歩を遂げているが、それでもテクスチャのぼやけや構造的歪みにつながる可能性がある。 本研究では,画像中の局所的欠落コンテンツの回復に大きく貢献する,多スケールなセマンティック・セマンティック・ピラミッド・ネットワーク(SPN)を提案する。
  論文  参考訳（メタデータ） (2021-12-08T04:33:33Z)
• 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)
• Semantic-Guided Inpainting Network for Complex Urban Scenes Manipulation [19.657440527538547]
  本研究では,ユーザが指定した画像の一部を取り除き,複雑な都市景観を再現する新しいディープラーニングモデルを提案する。 画像のインペイントに関する最近の研究に触発されて,提案手法はセマンティックセグメンテーションを利用して画像の内容と構造をモデル化する。 信頼性の高い結果を生成するために,セマンティックセグメンテーションと生成タスクを組み合わせた新しいデコーダブロックを設計する。
  論文  参考訳（メタデータ） (2020-10-19T09:17:17Z)
• Sketch-Guided Scenery Image Outpainting [83.6612152173028]
  本稿では,スケッチ誘導露光を行うエンコーダデコーダに基づくネットワークを提案する。 全体的アライメントモジュールを適用して、合成された部分をグローバルビューの実際のものと類似させる。 第2に, 合成した部分からスケッチを逆向きに生成し, 接地した部分との整合性を奨励する。
  論文  参考訳（メタデータ） (2020-06-17T11:34:36Z)
• Very Long Natural Scenery Image Prediction by Outpainting [96.8509015981031]
  アウトペイントには2つの課題があるため、あまり注意を払わない。 第一の課題は、生成された画像と元の入力の間の空間的および内容的整合性を維持する方法である。 第2の課題は、生成した結果の高品質を維持する方法です。
  論文  参考訳（メタデータ） (2019-12-29T16:29:01Z)

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。