論文の概要: Texture for Colors: Natural Representations of Colors Using Variable Bit-Depth Textures

• arxiv url: http://arxiv.org/abs/2105.01768v1
• Date: Tue, 4 May 2021 21:22:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-06 23:31:49.405951
• Title: Texture for Colors: Natural Representations of Colors Using Variable Bit-Depth Textures
• Title（参考訳）: 色彩のテクスチャ:可変ビット深度テクスチャを用いた自然表現
• Authors: Shumeet Baluja
• Abstract要約: そこで本研究では,画像の強度だけでなく,元の色も表わす2値テクスチャの組に画像が変換される自動手法を提案する。 このシステムは、様々な画像ソースでテストすると、美的にバイナリイメージを満足させる。
• 参考スコア（独自算出の注目度）: 13.180922099929765
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Numerous methods have been proposed to transform color and grayscale images to their single bit-per-pixel binary counterparts. Commonly, the goal is to enhance specific attributes of the original image to make it more amenable for analysis. However, when the resulting binarized image is intended for human viewing, aesthetics must also be considered. Binarization techniques, such as half-toning, stippling, and hatching, have been widely used for modeling the original image's intensity profile. We present an automated method to transform an image to a set of binary textures that represent not only the intensities, but also the colors of the original. The foundation of our method is information preservation: creating a set of textures that allows for the reconstruction of the original image's colors solely from the binarized representation. We present techniques to ensure that the textures created are not visually distracting, preserve the intensity profile of the images, and are natural in that they map sets of colors that are perceptually similar to patterns that are similar. The approach uses deep-neural networks and is entirely self-supervised; no examples of good vs. bad binarizations are required. The system yields aesthetically pleasing binary images when tested on a variety of image sources.
• Abstract（参考訳）: 色とグレースケールの画像をピクセル単位の1ビットのバイナリに変換する多くの方法が提案されている。 一般的に、目標は元の画像の特定の属性を拡張して分析に適するようにすることだ。 しかし、2項化画像が人間の視認を意図している場合には、美学も考慮する必要がある。 ハーフトニング、スティップリング、ハッチなどのバイナリ化技術は、オリジナルの画像の強度プロファイルをモデル化するために広く用いられている。 そこで本研究では,画像の強度だけでなく,元の色も表わす2値テクスチャの組に画像が変換される自動手法を提案する。 本手法の基礎は情報保存であり,2値化表現のみから元の画像の色を再構成できるテクスチャ群を作成することにある。 生成したテクスチャが視覚的に注意をそらさず、画像の強度プロファイルを保ち、視覚的に類似したパターンに類似した色集合をマッピングすることが自然であることを示す技術を提案する。 このアプローチはディープ・ニューラル・ネットワークを使用し、完全に自己管理されている。 このシステムは、様々な画像ソースでテストすると、美的にバイナリイメージを満足させる。

関連論文リスト

• Palette-based Color Transfer between Images [9.471264982229508]
  そこで我々は,新しいカラースキームを自動生成できるパレットベースのカラートランスファー手法を提案する。 再設計されたパレットベースのクラスタリング手法により、色分布に応じて画素を異なるセグメントに分類することができる。 本手法は, 自然リアリズム, 色整合性, 一般性, 堅牢性の観点から, ピア法に対して有意な優位性を示す。
  論文  参考訳（メタデータ） (2024-05-14T01:41:19Z)
• ENTED: Enhanced Neural Texture Extraction and Distribution for Reference-based Blind Face Restoration [51.205673783866146]
  我々は,高品質でリアルな肖像画を復元することを目的とした,ブラインドフェイス修復のための新しいフレームワークであるENTEDを提案する。 劣化した入力画像と参照画像の間で高品質なテクスチャ特徴を伝達するために,テクスチャ抽出と分布の枠組みを利用する。 われわれのフレームワークにおけるStyleGANのようなアーキテクチャは、現実的な画像を生成するために高品質な潜伏符号を必要とする。
  論文  参考訳（メタデータ） (2024-01-13T04:54:59Z)
• Dequantization and Color Transfer with Diffusion Models [5.228564799458042]
  量子化されたイメージは、パッチベースの編集とパレット転送を簡単に抽象化する。 提案モデルでは,ユーザが求めているカラーパレットを尊重する自然な画像を生成できることが示される。 本手法は,画像のテクスチャを尊重しながら,画像のパッチを塗り替えることによって,別の実用的な編集に拡張することができる。
  論文  参考訳（メタデータ） (2023-07-06T00:07:32Z)
• Detecting Recolored Image by Spatial Correlation [60.08643417333974]
  画像のリカラー化は、画像の色値を操作して新しいスタイルを与える、新たな編集技術である。 本稿では,空間相関の観点から,従来型と深層学習による再色検出の汎用的検出能力を示す解を探索する。 提案手法は,複数のベンチマークデータセット上での最先端検出精度を実現し,未知の種類の再色法を適切に一般化する。
  論文  参考訳（メタデータ） (2022-04-23T01:54:06Z)
• Neural Re-Rendering of Humans from a Single Image [80.53438609047896]
  本稿では,新しいユーザ定義のポーズと視点の下での人間のニューラルリレンダリング手法を提案する。 私たちのアルゴリズムは、単一の画像から再構築できるパラメトリックメッシュとして体ポーズと形状を表します。
  論文  参考訳（メタデータ） (2021-01-11T18:53:47Z)
• 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)
• Diagram Image Retrieval using Sketch-Based Deep Learning and Transfer Learning [28.31395148295604]
  本稿では,画像に基づく二元特許画像検索のための深層学習手法を提案する。 まず、深層学習を用いて自然画像からスケッチを生成し、画像検索を行う。 次に、手動でラベル付けした特許図画像の小さなセットをトランスファーラーニングを使って、自然画像のスケッチから図への画像検索に適応させます。
  論文  参考訳（メタデータ） (2020-04-22T18:27:46Z)
• Deep Line Art Video Colorization with a Few References [49.7139016311314]
  そこで本稿では,対象の参照画像と同一のカラースタイルでラインアートビデオを自動的に色付けする深層アーキテクチャを提案する。 本フレームワークはカラートランスフォーメーションネットワークと時間制約ネットワークから構成される。 本モデルでは,少量のサンプルでパラメータを微調整することで,より優れたカラー化を実現することができる。
  論文  参考訳（メタデータ） (2020-03-24T06:57:40Z)
• Learning to Structure an Image with Few Colors [59.34619548026885]
  そこで,カラー量子化ネットワークであるColorCNNを提案する。 1ビットのカラースペース(すなわち2色)だけで、提案されたネットワークはCIFAR10データセット上で82.1%のトップ-1の精度を達成した。 アプリケーションの場合、PNGでエンコードされた場合、提案したカラー量子化は、極低ビットレート方式の他の画像圧縮方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-17T17:56:15Z)
• Image retrieval approach based on local texture information derived from predefined patterns and spatial domain information [14.620086904601472]
  提案手法の性能は,Simplicityデータベース上での精度とリコールの観点から評価する。 比較の結果,提案手法は既知の多くの手法よりも精度が高いことがわかった。
  論文  参考訳（メタデータ） (2019-12-30T16:11:04Z)

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。