論文の概要: WaveFill: A Wavelet-based Generation Network for Image Inpainting
- arxiv url: http://arxiv.org/abs/2107.11027v1
- Date: Fri, 23 Jul 2021 04:44:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-26 13:46:48.538177
- Title: WaveFill: A Wavelet-based Generation Network for Image Inpainting
- Title(参考訳): WaveFill: 画像描画のためのウェーブレットベースの生成ネットワーク
- Authors: Yingchen Yu, Fangneng Zhan, Shijian Lu, Jianxiong Pan, Feiying Ma,
Xuansong Xie, Chunyan Miao
- Abstract要約: WaveFillはウェーブレットベースの塗装ネットワークで、画像を複数の周波数帯域に分解する。
WaveFillは、空間情報を自然に保存する離散ウェーブレット変換(DWT)を用いて画像を分解する。
低周波帯にL1再構成損失を、高周波帯に敵対損失を施し、それによって周波数間紛争を効果的に軽減する。
- 参考スコア(独自算出の注目度): 57.012173791320855
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image inpainting aims to complete the missing or corrupted regions of images
with realistic contents. The prevalent approaches adopt a hybrid objective of
reconstruction and perceptual quality by using generative adversarial networks.
However, the reconstruction loss and adversarial loss focus on synthesizing
contents of different frequencies and simply applying them together often leads
to inter-frequency conflicts and compromised inpainting. This paper presents
WaveFill, a wavelet-based inpainting network that decomposes images into
multiple frequency bands and fills the missing regions in each frequency band
separately and explicitly. WaveFill decomposes images by using discrete wavelet
transform (DWT) that preserves spatial information naturally. It applies L1
reconstruction loss to the decomposed low-frequency bands and adversarial loss
to high-frequency bands, hence effectively mitigate inter-frequency conflicts
while completing images in spatial domain. To address the inpainting
inconsistency in different frequency bands and fuse features with distinct
statistics, we design a novel normalization scheme that aligns and fuses the
multi-frequency features effectively. Extensive experiments over multiple
datasets show that WaveFill achieves superior image inpainting qualitatively
and quantitatively.
- Abstract(参考訳): image inpaintingは、画像の欠落または破損した領域をリアルなコンテンツで完成することを目的としている。
一般的なアプローチは、生成的逆ネットワークを用いて、再構成と知覚的品質のハイブリッドな目標を採用する。
しかし、レコンストラクションの損失と敵対的損失は、異なる周波数のコンテンツを合成し、単純にそれらを組み合わせることで、しばしば周波数間の衝突と、妥協されたインペインティングを引き起こす。
本稿では,複数の周波数帯域に分割し,各周波数帯域の欠落領域を別々かつ明示的に埋めるウェーブレットベースのインパインティングネットワークであるWaveFillを提案する。
WaveFillは空間情報を自然に保存する離散ウェーブレット変換(DWT)を用いて画像を分解する。
分解された低周波帯域に対するl1再構成損失と高周波帯域への逆損失を応用し、空間領域での画像を完了しながら、効果的に周波数間衝突を緩和する。
異なる周波数帯域における不整合と異なる統計量を持つヒューズ特徴に対処するため、マルチ周波数特徴を効果的に調整・融合する新しい正規化スキームを設計する。
複数のデータセットに対する大規模な実験により、WaveFillは質的かつ定量的に優れた画像インライン化を実現している。
関連論文リスト
- Adaptive Frequency Enhancement Network for Single Image Deraining [10.64622976628013]
本稿では,単一画像のデライニングに特化して,新しいエンドツーエンド適応周波数拡張ネットワーク(AFENet)を提案する。
我々は、異なるスケールの畳み込みを用いて、画像周波数帯域を適応的に分解し、特徴拡張モジュールを導入し、新しい相互作用モジュールを示す。
このアプローチにより,多様で複雑な降雨パターンを排除し,画像の細部を正確に再構築することが可能になる。
論文 参考訳(メタデータ) (2024-07-19T13:24:05Z) - FDCE-Net: Underwater Image Enhancement with Embedding Frequency and Dual Color Encoder [49.79611204954311]
水中画像は、低明度、色の変化、ぼやけた詳細、吸光光によるノイズ、水や懸濁粒子による散乱などの様々な問題に悩まされることが多い。
従来の水中画像強調法(UIE)は主に空間領域の強調に焦点を当てており、画像固有の周波数領域情報を無視している。
論文 参考訳(メタデータ) (2024-04-27T15:16:34Z) - Both Spatial and Frequency Cues Contribute to High-Fidelity Image
Inpainting [9.080472817672263]
深部生成的アプローチは、近年、画像の塗布において大きな成功を収めている。
ほとんどの生成的塗布ネットワークは、過度に滑らかな結果か、アーティファクトのエイリアスに悩まされている。
本研究では、空間領域と周波数領域の両方において、リッチな意味情報を活用することで、周波数空間補間ネットワーク(FSCN)を提案する。
論文 参考訳(メタデータ) (2023-07-15T01:52:06Z) - Riesz-Quincunx-UNet Variational Auto-Encoder for Satellite Image
Denoising [0.0]
衛星画像のノイズ低減に使用される画像および時系列分解のためのハイブリッドRQUNet-VAE方式を提案する。
また,本手法をマルチバンド衛星画像に適用し,画像の分解,画像分割,拡散による時系列分解,画像分割などを行う。
論文 参考訳(メタデータ) (2022-08-25T19:51:07Z) - Exploring Inter-frequency Guidance of Image for Lightweight Gaussian
Denoising [1.52292571922932]
本稿では,周波数帯域を低域から高域に漸進的に洗練するために,IGNetと呼ばれる新しいネットワークアーキテクチャを提案する。
この設計では、より周波数間先行と情報を利用するため、モデルサイズは軽量化でき、競争結果も維持できる。
論文 参考訳(メタデータ) (2021-12-22T10:35:53Z) - Wavelet-Based Network For High Dynamic Range Imaging [64.66969585951207]
光学フローベースやエンド・ツー・エンドのディープラーニングベースのソリューションのような既存の方法は、詳細な復元やゴーストを除去する際にエラーを起こしやすい。
本研究では、周波数領域でHDR融合を行うための新しい周波数誘導型エンド・ツー・エンドディープニューラルネットワーク(FNet)を提案し、ウェーブレット変換(DWT)を用いて入力を異なる周波数帯域に分解する。
低周波信号は特定のゴーストアーティファクトを避けるために使用され、高周波信号は詳細を保存するために使用される。
論文 参考訳(メタデータ) (2021-08-03T12:26:33Z) - WaveTransform: Crafting Adversarial Examples via Input Decomposition [69.01794414018603]
本稿では,低周波サブバンドと高周波サブバンドに対応する逆雑音を生成するWaveTransformを紹介する。
実験により,提案攻撃は防衛アルゴリズムに対して有効であり,CNN間での転送も可能であることが示された。
論文 参考訳(メタデータ) (2020-10-29T17:16:59Z) - Wavelet Channel Attention Module with a Fusion Network for Single Image
Deraining [46.62290347397139]
雨が画像の視界を著しく悪化させるため、単一画像のデライン化は重要な問題である。
融合ネットワークを用いたウェーブレットチャネルアテンションモジュールと呼ばれる新しい畳み込みニューラルネットワーク(CNN)を提案する。
論文 参考訳(メタデータ) (2020-07-17T18:06:13Z) - Wavelet Integrated CNNs for Noise-Robust Image Classification [51.18193090255933]
我々は、離散ウェーブレット変換(DWT)により、最大プール、ストライド畳み込み、平均プールを置き換えることでCNNを強化する。
VGG、ResNets、DenseNetのウェーブレット統合バージョンであるWaveCNetsは、バニラバージョンよりも精度が高く、ノイズ・ロバスト性も向上している。
論文 参考訳(メタデータ) (2020-05-07T09:10:41Z)
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。