論文の概要: Deep Two-Stage High-Resolution Image Inpainting

• arxiv url: http://arxiv.org/abs/2104.13464v1
• Date: Tue, 27 Apr 2021 20:32:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-29 20:37:18.223768
• Title: Deep Two-Stage High-Resolution Image Inpainting
• Title（参考訳）: 深部2段階高分解能イメージング
• Authors: Andrey Moskalenko, Mikhail Erofeev, Dmitriy Vatolin
• Abstract要約: 本稿では,任意の大きさの画像をペイントする問題を解決する手法を提案する。 そこで本稿では, 隣接画素からの情報を, 原像を4方向へ移動させることで利用することを提案する。 このアプローチは既存のインペイントモデルで動作可能で、再トレーニングを必要とせずにほぼ独立している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, the field of image inpainting has developed rapidly, learning based approaches show impressive results in the task of filling missing parts in an image. But most deep methods are strongly tied to the resolution of the images on which they were trained. A slight resolution increase leads to serious artifacts and unsatisfactory filling quality. These methods are therefore unsuitable for interactive image processing. In this article, we propose a method that solves the problem of inpainting arbitrary-size images. We also describe a way to better restore texture fragments in the filled area. For this, we propose to use information from neighboring pixels by shifting the original image in four directions. Moreover, this approach can work with existing inpainting models, making them almost resolution independent without the need for retraining. We also created a GIMP plugin that implements our technique. The plugin, code, and model weights are available at https://github.com/a-mos/High_Resolution_Image_Inpainting.
• Abstract（参考訳）: 近年,画像インペイントの分野は急速に発展し,画像の欠落部分を埋める作業において,学習に基づくアプローチは印象的な結果を示している。 しかし、ほとんどの深い手法は、訓練された画像の解像度に強く結びついている。 わずかな解像度の増加は、深刻なアーティファクトと不十分な充填品質につながる。 したがって、これらの手法はインタラクティブな画像処理には適さない。 本稿では,任意の大きさの画像をペイントする問題を解決する手法を提案する。 また, 充填領域におけるテクスチャ断片の復元方法についても述べる。 そこで,本研究では,隣接画素からの情報を4方向にシフトすることで利用することを提案する。 さらに、このアプローチは既存のインペイントモデルでも動作可能で、再トレーニングを必要とせずにほぼ独立している。 また、我々の技術を実装するGIMPプラグインも作成しました。 プラグイン、コード、モデルウェイトはhttps://github.com/a-mos/High_Resolution_Image_Inpainting.comから入手できる。

関連論文リスト

• Fill in the ____ (a Diffusion-based Image Inpainting Pipeline) [0.0]
  塗り絵は、画像を撮り、失った、または故意に隠された部分を生成する過程である。 現代の塗装技術は、有能な完成物を生成する際、顕著な能力を示している。 既存のモデルにおける重要なギャップに対処し、何が正確に生成されたかをプロンプトし制御する能力に焦点を当てる。
  論文  参考訳（メタデータ） (2024-03-24T05:26:55Z)
• HD-Painter: High-Resolution and Prompt-Faithful Text-Guided Image Inpainting with Diffusion Models [59.01600111737628]
  HD-Painterはトレーニングフリーのアプローチで、プロンプトを正確に追従し、高解像度の画像インパインティングにコヒーレントにスケールする。 そこで我々は,自己注意スコアを向上するPrompt-Aware Introverted Attention (PAIntA) 層を設計した。 実験の結果,HD-Painterは既存の最先端アプローチを定量的に,質的に超越していることがわかった。
  論文  参考訳（メタデータ） (2023-12-21T18:09:30Z)
• SuperInpaint: Learning Detail-Enhanced Attentional Implicit Representation for Super-resolutional Image Inpainting [26.309834304515544]
  我々はSuperInpaintと呼ばれる課題の画像復元タスクを導入する。 この課題は、低解像度画像中の欠落領域を再構築し、任意の高解像度画像を生成することである。 本論文では,SuperInpaintを1つのモデルで実現可能な細部強調型暗黙表現を提案する。
  論文  参考訳（メタデータ） (2023-07-26T20:28:58Z)
• CoordFill: Efficient High-Resolution Image Inpainting via Parameterized Coordinate Querying [52.91778151771145]
  本稿では,近年の連続的暗黙表現の発達により,その限界を初めて破ろうとする。 実験の結果,提案手法はGTX 2080 Ti GPUを用いて2048$times$2048の画像をリアルタイムに処理できることがわかった。
  論文  参考訳（メタデータ） (2023-03-15T11:13:51Z)
• Cylin-Painting: Seamless {360\textdegree} Panoramic Image Outpainting and Beyond [136.18504104345453]
  塗り絵と塗り絵の間に有意義な協調関係を持つキリン塗り絵の枠組みを提示する。 提案アルゴリズムは、オブジェクト検出、深さ推定、画像超解像などの他のパノラマ視覚タスクに効果的に拡張できる。
  論文  参考訳（メタデータ） (2022-04-18T21:18:49Z)
• In&Out : Diverse Image Outpainting via GAN Inversion [89.84841983778672]
  image outpaintingは、利用可能なコンテンツを超えて、入力画像の意味的に一貫した拡張を求める。 本研究では、生成的対向ネットワークの反転の観点から問題を定式化する。 私達の発電機はイメージの彼らの共同潜入コードそして個々の位置で調節されるマイクロ パッチをレンダリングします。
  論文  参考訳（メタデータ） (2021-04-01T17:59:10Z)
• 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)
• High-Resolution Image Inpainting with Iterative Confidence Feedback and Guided Upsampling [122.06593036862611]
  既存の画像塗装法は、実アプリケーションで大きな穴を扱う際に、しばしばアーティファクトを生成する。 本稿では,フィードバック機構を備えた反復インペイント手法を提案する。 実験により,本手法は定量評価と定性評価の両方において既存手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2020-05-24T13:23:45Z)
• Image Inpainting by Multiscale Spline Interpolation [9.561123408923489]
  局所的特徴と大域的特徴の両方を利用したマルチスケール画像インペイント手法を提案する。 既存の塗装法に比べて平均1.2dBの改善を実現した。
  論文  参考訳（メタデータ） (2020-01-10T01:15:14Z)

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。