論文の概要: Deep Image Compositing

• arxiv url: http://arxiv.org/abs/2103.15446v1
• Date: Mon, 29 Mar 2021 09:23:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-31 01:19:31.583012
• Title: Deep Image Compositing
• Title（参考訳）: 深部画像合成
• Authors: Shivangi Aneja and Soham Mazumder
• Abstract要約: 画像編集では、最も一般的なタスクは、一方の画像から他方の画像にオブジェクトを貼り付け、背景オブジェクトで前景オブジェクトの表示を調整することです。 そのためには、GANS(Generative Adversarial Networks)を使用しています。 GANSは、画像の前景と背景部分の色ヒストグラムをデコードすることができ、また、前景オブジェクトと背景をブレンドすることを学ぶことができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: In image editing, the most common task is pasting objects from one image to the other and then eventually adjusting the manifestation of the foreground object with the background object. This task is called image compositing. But image compositing is a challenging problem that requires professional editing skills and a considerable amount of time. Not only these professionals are expensive to hire, but the tools (like Adobe Photoshop) used for doing such tasks are also expensive to purchase making the overall task of image compositing difficult for people without this skillset. In this work, we aim to cater to this problem by making composite images look realistic. To achieve this, we are using Generative Adversarial Networks (GANS). By training the network with a diverse range of filters applied to the images and special loss functions, the model is able to decode the color histogram of the foreground and background part of the image and also learns to blend the foreground object with the background. The hue and saturation values of the image play an important role as discussed in this paper. To the best of our knowledge, this is the first work that uses GANs for the task of image compositing. Currently, there is no benchmark dataset available for image compositing. So we created the dataset and will also make the dataset publicly available for benchmarking. Experimental results on this dataset show that our method outperforms all current state-of-the-art methods.
• Abstract（参考訳）: 画像編集において、最も一般的なタスクは、ある画像から別の画像へオブジェクトを貼り付け、その後、背景オブジェクトで前景オブジェクトの表示を調整することである。 このタスクはイメージ合成と呼ばれる。 しかし、画像合成は、プロの編集スキルとかなりの時間を要する難しい問題である。 これらのプロフェッショナルは雇うのに費用がかかるだけでなく、そのようなタスクに使用するツール(Adobe Photoshopなど)も、このスキルを身に着けていない人には画像合成の全般的な作業が困難になるような購入に費用がかかる。 本研究では,合成画像をリアルに見せることでこの問題に対処することを目的とする。 これを実現するために、GANS(Generative Adversarial Networks)を使用している。 画像や特別な損失関数に適用した多様なフィルタを用いてネットワークをトレーニングすることにより、画像の前景と背景部分の色ヒストグラムをデコードでき、また、前景オブジェクトと背景をブレンドすることを学ぶことができる。 本論文では,画像の色調と彩度が重要な役割を担っている。 我々の知る限りでは、画像合成のタスクにGANを使用する最初の作品である。 現在、画像合成のためのベンチマークデータセットは存在しない。 そこで私たちはデータセットを作成し、ベンチマーク用にデータセットを公開します。 実験結果から,本手法は現在の最先端手法よりも優れていることがわかった。

関連論文リスト

• DESOBAv2: Towards Large-scale Real-world Dataset for Shadow Generation [19.376935979734714]
  本研究では,合成画像をよりリアルにするために,挿入された前景オブジェクトに対する可塑性影の生成に焦点をあてる。 既存の小規模なデータセットであるDESOBAを補完するために、DESOBAv2と呼ばれる大規模なデータセットを作成します。
  論文  参考訳（メタデータ） (2023-08-19T10:21:23Z)
• Foreground Object Search by Distilling Composite Image Feature [15.771802337102837]
  フォアグラウンドオブジェクトサーチ(FOS)は、ある背景画像に対して互換性のあるフォアグラウンドオブジェクトを見つけることを目的としている。 判別器を用いて合成画像の整合性を予測することにより,競争力のある検索性能が達成できることを示す。 蒸留複合材料(DiscoFOS)を用いた新しいFOS法を提案する。
  論文  参考訳（メタデータ） (2023-08-09T14:43:10Z)
• Scrape, Cut, Paste and Learn: Automated Dataset Generation Applied to Parcel Logistics [58.720142291102135]
  4つのステップでインスタンスセグメンテーションのための合成データセットを生成するために,完全に自動化されたパイプラインを提案する。 まず、人気のある画像検索エンジンから興味ある対象の画像を抽出する。 画像選択には,オブジェクトに依存しない事前処理,手動画像選択,CNNに基づく画像選択の3つの方法を比較する。
  論文  参考訳（メタデータ） (2022-10-18T12:49:04Z)
• Shape-guided Object Inpainting [84.18768707298105]
  本研究は,新しい画像インペイント,すなわち形状誘導物体インペイントについて研究する。 本研究では,新しいデータ作成手法と新しいコンテキストオブジェクト生成器(CogNet)を提案する。 実験により,提案手法は視覚的外観と意味的意味の両方の観点からコンテキストに適合する現実的なオブジェクトを生成することができることが示された。
  論文  参考訳（メタデータ） (2022-04-16T17:19:11Z)
• Learning Co-segmentation by Segment Swapping for Retrieval and Discovery [67.6609943904996]
  この研究の目的は、一対のイメージから視覚的に類似したパターンを効率的に識別することである。 画像中のオブジェクトセグメントを選択し、それを別の画像にコピーペーストすることで、合成トレーニングペアを生成する。 提案手法は,Brueghelデータセット上でのアートワークの詳細検索に対して,明確な改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-10-29T16:51:16Z)
• Making Images Real Again: A Comprehensive Survey on Deep Image Composition [34.09380539557308]
  画像合成タスクは複数のサブタスクに分割でき、各サブタスクは1つ以上の課題を目標とすることができる。 本稿では,サブタスクの包括的調査と画像合成のブレンディングを行う。 それぞれについて、既存のメソッド、利用可能なデータセット、一般的な評価指標を要約する。
  論文  参考訳（メタデータ） (2021-06-28T09:09:14Z)
• Deep Image Compositing [93.75358242750752]
  ユーザ入力なしで高品質の画像合成を自動生成する手法を提案する。 ラプラシアン・ピラミッド・ブレンディングにインスパイアされ、フォアグラウンドや背景画像からの情報を効果的に融合させるために、密結合型多ストリーム融合ネットワークが提案されている。 実験により,提案手法は高品質な合成物を自動生成し,定性的かつ定量的に既存手法より優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-11-04T06:12:24Z)
• Bridging Composite and Real: Towards End-to-end Deep Image Matting [88.79857806542006]
  画像マッチングにおける意味論と細部の役割について検討する。 本稿では,共有エンコーダと2つの分離デコーダを用いた新しいGlance and Focus Matting Network(GFM)を提案する。 総合的な実証研究により、GFMは最先端の手法より優れていることが示されている。
  論文  参考訳（メタデータ） (2020-10-30T10:57:13Z)
• Instance-aware Image Colorization [51.12040118366072]
  本稿では,インスタンス認識のカラー化を実現する手法を提案する。 我々のネットワークアーキテクチャは、市販のオブジェクト検出器を利用して、収穫されたオブジェクト画像を取得する。 類似したネットワークを用いて、フルイメージの特徴を抽出し、融合モジュールを適用して最終色を予測する。
  論文  参考訳（メタデータ） (2020-05-21T17:59:23Z)

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。