論文の概要: ChaLearn Looking at People: Inpainting and Denoising challenges

• arxiv url: http://arxiv.org/abs/2106.13071v1
• Date: Thu, 24 Jun 2021 14:57:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-25 15:06:32.574784
• Title: ChaLearn Looking at People: Inpainting and Denoising challenges
• Title（参考訳）: ChaLearn氏、人を見つめる - インペイントと課題のデノベーション
• Authors: Sergio Escalera and Marti Soler and Stephane Ayache and Umut Guclu and Jun Wan and Meysam Madadi and Xavier Baro and Hugo Jair Escalante and Isabelle Guyon
• Abstract要約: 本章では、画像や映像の描画に焦点を当てた学術コンペティションのデザインについて述べる。 ChaLearn Looking at People Inpainting Challengeは、視覚的インペインティングに関する最先端技術を目指しています。 3つのトラックが提案され、人間の身体のポーズ推定、テキストのオーバーレイ除去、指紋のデノーミングといった視覚的塗布が役立つが、それでも難しい。
• 参考スコア（独自算出の注目度）: 41.481257371694284
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dealing with incomplete information is a well studied problem in the context of machine learning and computational intelligence. However, in the context of computer vision, the problem has only been studied in specific scenarios (e.g., certain types of occlusions in specific types of images), although it is common to have incomplete information in visual data. This chapter describes the design of an academic competition focusing on inpainting of images and video sequences that was part of the competition program of WCCI2018 and had a satellite event collocated with ECCV2018. The ChaLearn Looking at People Inpainting Challenge aimed at advancing the state of the art on visual inpainting by promoting the development of methods for recovering missing and occluded information from images and video. Three tracks were proposed in which visual inpainting might be helpful but still challenging: human body pose estimation, text overlays removal and fingerprint denoising. This chapter describes the design of the challenge, which includes the release of three novel datasets, and the description of evaluation metrics, baselines and evaluation protocol. The results of the challenge are analyzed and discussed in detail and conclusions derived from this event are outlined.
• Abstract（参考訳）: 不完全な情報を扱うことは、機械学習と計算知性の文脈でよく研究されている問題である。 しかし、コンピュータビジョンの文脈では、問題は特定のシナリオ(例えば、特定の種類の画像における特定の種類の閉塞)でのみ研究されているが、視覚データに不完全な情報を持つことは一般的である。 本章では、WCCI2018のコンペティションプログラムの一部であり、ECCV2018とコラボされた衛星イベントである画像や映像の描画に焦点を当てた学術コンペティションの設計について述べる。 ChaLearn Looking at People Inpainting Challengeは、画像やビデオから行方不明や隠蔽された情報を回復する手法の開発を促進することで、視覚的インパインティングの最先端化を目的としている。 3つのトラックが提案され、人間の身体のポーズ推定、テキストのオーバーレイ除去、指紋のデノーミングといった視覚的塗布が役立つが、それでも難しい。 本章では,3つの新しいデータセットのリリース,評価指標,ベースライン,評価プロトコルの記述を含む,課題の設計について説明する。 課題の結果を詳細に分析・議論し,このイベントから得られた結論を概説した。

関連論文リスト

• Deep Learning-based Image and Video Inpainting: A Survey [47.53641171826598]
  本稿では,深層学習に基づく画像と映像のインペイント手法について概観的にレビューする。 既存のメソッドを,ハイレベルなインペイントパイプラインの観点から,さまざまなカテゴリに分類する。 我々は,低レベルの画素と高レベルの知覚的類似性の評価指標を提示し,性能評価を行い,代表印字方法の長所と短所について議論する。
  論文  参考訳（メタデータ） (2024-01-07T05:50:12Z)
• NICE: CVPR 2023 Challenge on Zero-shot Image Captioning [149.28330263581012]
  NICEプロジェクトは、堅牢な画像キャプションモデルを開発するためにコンピュータビジョンコミュニティに挑戦するために設計されている。 レポートには、新たに提案されたNICEデータセット、評価方法、課題結果、トップレベルのエントリの技術的な詳細などが含まれている。
  論文  参考訳（メタデータ） (2023-09-05T05:32:19Z)
• Free-ATM: Exploring Unsupervised Learning on Diffusion-Generated Images with Free Attention Masks [64.67735676127208]
  テキストと画像の拡散モデルは、画像認識の恩恵を受ける大きな可能性を示している。 有望ではあるが、拡散生成画像の教師なし学習に特化した調査は不十分である。 上記フリーアテンションマスクをフル活用することで、カスタマイズされたソリューションを導入する。
  論文  参考訳（メタデータ） (2023-08-13T10:07:46Z)
• Exploring CLIP for Assessing the Look and Feel of Images [87.97623543523858]
  ゼロショット方式で画像の品質知覚(ルック)と抽象知覚(フィール)の両方を評価するために,コントラスト言語-画像事前学習(CLIP)モデルを導入する。 以上の結果から,CLIPは知覚的評価によく適合する有意義な先行情報を捉えることが示唆された。
  論文  参考訳（メタデータ） (2022-07-25T17:58:16Z)
• Describing image focused in cognitive and visual details for visually impaired people: An approach to generating inclusive paragraphs [2.362412515574206]
  ウェブナーなど、オンラインコンテンツに表示される画像コンテキストの理解など、特定のタスクをサポートするサービスが不足している。 本稿では,高密度キャプション手法とフィルタを併用したウェビナー画像のコンテキスト生成手法を提案し,ドメイン内のキャプションに適合する手法と抽象要約タスクのための言語モデルを提案する。
  論文  参考訳（メタデータ） (2022-02-10T21:20:53Z)
• Deep Image Deblurring: A Survey [165.32391279761006]
  低レベルのコンピュータビジョンにおいて、デブロアリングは古典的な問題であり、ぼやけた入力画像からシャープなイメージを復元することを目的としている。 近年のディープラーニングの進歩は、この問題の解決に大きな進歩をもたらした。
  論文  参考訳（メタデータ） (2022-01-26T01:31:30Z)

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。