論文の概要: In-N-Out: Towards Good Initialization for Inpainting and Outpainting

• arxiv url: http://arxiv.org/abs/2106.13953v1
• Date: Sat, 26 Jun 2021 06:26:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-29 18:09:57.694285
• Title: In-N-Out: Towards Good Initialization for Inpainting and Outpainting
• Title（参考訳）: In-N-Out: インペイントとアウトペイントのための優れた初期化に向けて
• Authors: Changho Jo, Woobin Im, Sung-Eui Yoon
• Abstract要約: 自己監督手法であるIn-N-Outは、対向タスクの知識を目標モデルに活用する訓練手法として要約される。 実験では, 画像インペイント, 画像外挿, 環境マップ推定など, 異なる用途における本手法の有効性を解析した。
• 参考スコア（独自算出の注目度）: 18.449470404130018
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In computer vision, recovering spatial information by filling in masked regions, e.g., inpainting, has been widely investigated for its usability and wide applicability to other various applications: image inpainting, image extrapolation, and environment map estimation. Most of them are studied separately depending on the applications. Our focus, however, is on accommodating the opposite task, e.g., image outpainting, which would benefit the target applications, e.g., image inpainting. Our self-supervision method, In-N-Out, is summarized as a training approach that leverages the knowledge of the opposite task into the target model. We empirically show that In-N-Out -- which explores the complementary information -- effectively takes advantage over the traditional pipelines where only task-specific learning takes place in training. In experiments, we compare our method to the traditional procedure and analyze the effectiveness of our method on different applications: image inpainting, image extrapolation, and environment map estimation. For these tasks, we demonstrate that In-N-Out consistently improves the performance of the recent works with In-N-Out self-supervision to their training procedure. Also, we show that our approach achieves better results than an existing training approach for outpainting.
• Abstract（参考訳）: コンピュータビジョンでは,画像インパインティング,画像外挿,環境マップ推定といった他の応用へのユーザビリティと幅広い適用性について,例えばインパインティングなど,マスク領域を満たして空間情報を復元する手法が広く研究されている。 ほとんどは用途によって別々に研究されている。 しかし、我々の焦点は反対のタスク、例えば画像の露光を調節することであり、これはターゲットのアプリケーション、例えば画像の塗布に役立ちます。 我々の自己超越的手法であるIn-N-Outは、対向タスクの知識を対象モデルに活用する訓練手法として要約される。 補完的な情報を探究するIn-N-Outが、トレーニング時にタスク固有の学習のみが行われる従来のパイプラインを効果的に活用できることを実証的に示す。 実験では,本手法を従来の手法と比較し,画像インペインティング,画像外挿,環境マップ推定など,異なる用途における手法の有効性を分析した。 これらの課題に対して、In-N-Outはトレーニング手順に対するIn-N-Out自己監督による最近の作品の性能を一貫して改善することを示した。 また,既存の学習アプローチよりも優れた結果が得られることを示す。

関連論文リスト

• PrefPaint: Aligning Image Inpainting Diffusion Model with Human Preference [62.72779589895124]
  画像インペイントのための拡散モデルと人間の審美基準との整合性を、強化学習フレームワークを用いて初めて試みる。 我々は、人間の好みを付加した約51,000枚の画像からなるデータセットで報酬モデルを訓練する。 画像拡張や3次元再構成などの下流タスクの塗装比較実験により, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-10-29T11:49:39Z)
• NeRF-Enhanced Outpainting for Faithful Field-of-View Extrapolation [18.682430719467202]
  ロボットナビゲーションや遠隔視覚支援などの様々な応用において、カメラの視野(FOV)を拡大することは、環境認識を高めるのに有用である。 我々は、シーンの事前知識として、事前キャプチャされた画像の集合を利用する忠実なFOV外挿の新たな問題を定式化する。 我々は,NeRFにより生成された拡張FOV画像を用いて,シーン固有のアウトペイントモデルをトレーニングするNeRF拡張アウトペイント(NEO)を提案する。
  論文  参考訳（メタデータ） (2023-09-23T03:16:58Z)
• MOCA: Self-supervised Representation Learning by Predicting Masked Online Codebook Assignments [72.6405488990753]
  自己教師付き学習は、ビジョントランスフォーマーネットワークの欲求を軽減できる。 所望のプロパティを統一する単段および単段のMOCAを提案する。 我々は,様々な評価プロトコルにおいて,低照度設定と強力な実験結果に対して,最先端の新たな結果を得る。
  論文  参考訳（メタデータ） (2023-07-18T15:46:20Z)
• From Patches to Objects: Exploiting Spatial Reasoning for Better Visual Representations [2.363388546004777]
  本研究では,空間的推論に基づく新しい予備的事前学習手法を提案する。 本提案手法は,識別的自己管理手法の補助的タスクとして空間推論を導入することで,より柔軟なコントラスト学習の定式化を実現する。
  論文  参考訳（メタデータ） (2023-05-21T07:46:46Z)
• A domain adaptive deep learning solution for scanpath prediction of paintings [66.46953851227454]
  本稿では,ある絵画の視覚的体験における視聴者の眼球運動分析に焦点を当てた。 我々は、人間の視覚的注意を予測するための新しいアプローチを導入し、人間の認知機能に影響を及ぼす。 提案した新しいアーキテクチャは、画像を取り込んでスキャンパスを返す。
  論文  参考訳（メタデータ） (2022-09-22T22:27:08Z)
• On Efficient Transformer and Image Pre-training for Low-level Vision [74.22436001426517]
  プレトレーニングは、ハイレベルコンピュータビジョンにおける多くの最先端の芸術である。 画像事前学習の詳細な研究について述べる。 低レベルのタスクでは,事前トレーニングが極めて異なる役割を担っています。
  論文  参考訳（メタデータ） (2021-12-19T15:50:48Z)
• Restore from Restored: Single-image Inpainting [9.699531255678856]
  インペイントネットワークのための,新しい,効率的な自己教師型微調整アルゴリズムを提案する。 既存の自己相似パッチを用いて,事前学習した塗装ネットワークのパラメータを更新する。 公開されているベンチマークデータセット上で、最先端の塗装結果を得る。
  論文  参考訳（メタデータ） (2021-10-25T11:38:51Z)
• Towards Unsupervised Sketch-based Image Retrieval [126.77787336692802]
  本稿では,教師なし表現学習とスケッチ写真領域アライメントを同時に行う新しいフレームワークを提案する。 このフレームワークは,新しい教師なし設定では優れた性能を達成し,ゼロショット設定では最先端以上の性能を発揮する。
  論文  参考訳（メタデータ） (2021-05-18T02:38:22Z)
• Restore from Restored: Single-image Inpainting [9.699531255678856]
  本論文では,絵画ネットワークにおける自己監督型微調整アルゴリズムについて述べる。 入力画像内の既存の自己相似パッチを利用して,事前学習したネットワークのパラメータをアップグレードする。 公開ベンチマークデータセットで最先端のインペインティング結果を達成します。
  論文  参考訳（メタデータ） (2021-02-16T10:59:28Z)
• Image Restoration by Deep Projected GSURE [115.57142046076164]
  Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。 本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-04T08:52:46Z)

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。