Fugu-MT 論文翻訳(概要): Image Inpainting using Partial Convolution

論文の概要: Image Inpainting using Partial Convolution

arxiv url: http://arxiv.org/abs/2108.08791v1
Date: Thu, 19 Aug 2021 17:01:27 GMT
ステータス: 処理完了
システム内更新日: 2021-08-20 15:14:30.820974
Title: Image Inpainting using Partial Convolution
Title（参考訳）: 部分畳み込みを用いたイメージインパインティング
Authors: Harsh Patel, Amey Kulkarni, Shivam Sahni, Udit Vyas
Abstract要約: 本研究の目的は,部分的畳み込み層を用いた頑健な深層学習手法を用いて画像の塗り込みを行うことである。様々な応用において、画像は、劣化した、失われた、または望ましくない情報の存在によって、しばしばノイズによって劣化する。
参考スコア（独自算出の注目度）: 0.3441021278275805
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Image Inpainting is one of the very popular tasks in the field of image processing with broad applications in computer vision. In various practical applications, images are often deteriorated by noise due to the presence of corrupted, lost, or undesirable information. There have been various restoration techniques used in the past with both classical and deep learning approaches for handling such issues. Some traditional methods include image restoration by filling gap pixels using the nearby known pixels or using the moving average over the same. The aim of this paper is to perform image inpainting using robust deep learning methods that use partial convolution layers.
Abstract（参考訳）: Image Inpaintingは、コンピュータビジョンに広く応用された画像処理分野において、非常に人気のあるタスクの1つである。様々な応用において、画像は、劣化した、失われた、または望ましくない情報の存在によって、しばしばノイズによって劣化する。このような問題に対処するための古典的・深層学習のアプローチでは、過去に様々な復元技術が用いられてきた。従来の方法では、近隣の既知のピクセルを使ってギャップピクセルを埋めたり、同じ移動平均を使って画像の復元を行う。本稿では,部分畳み込み層を用いたロバストなディープラーニング手法を用いて,画像インパインティングを行う。

関連論文リスト

Detecting Generated Images by Real Images Only [64.12501227493765]
既存の画像検出手法は、生成画像中の視覚的アーティファクトを検出したり、大規模なトレーニングによって、実画像と生成画像の両方から識別的特徴を学習する。本稿では,新たな視点から生成した画像検出問題にアプローチする。実画像の共通性を見つけ、特徴空間内の密接な部分空間にマッピングすることで、生成した画像は生成モデルに関係なくサブ空間の外側に投影される。
論文参考訳（メタデータ） (2023-11-02T03:09:37Z)
Deep Image Matting: A Comprehensive Survey [85.77905619102802]
本稿では,ディープラーニング時代における画像マッチングの最近の進歩を概観する。本稿では,補助的な入力ベースの画像マッチングと,自動的な画像マッチングという,2つの基本的なサブタスクに焦点を当てる。画像マッチングの関連応用について論じ,今後の研究への課題と可能性を明らかにする。
論文参考訳（メタデータ） (2023-04-10T15:48:55Z)
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)
Saliency Constrained Arbitrary Image Style Transfer using SIFT and DCNN [22.57205921266602]
一般的なニューラルスタイルの転送方法を使用する場合、スタイル画像のテクスチャや色は通常、コンテンツ画像に不完全に転送される。本稿では,その効果を低減・回避するための新しいサリエンシ制約手法を提案する。実験により、ソースイメージの正当性マップは正しいマッチングを見つけ出し、アーティファクトを避けるのに役立つことが示された。
論文参考訳（メタデータ） (2022-01-14T09:00:55Z)
Image Inpainting Using AutoEncoder and Guided Selection of Predicted Pixels [9.527576103168984]
本稿では,U-Netと同様,画像から様々な特徴を抽出し,より優れた結果を得るネットワークを提案する。出力画像の復元画素に損傷画素を置き換え,最終的な結果を改善した。
論文参考訳（メタデータ） (2021-12-17T00:10:34Z)
Deep Two-Stage High-Resolution Image Inpainting [0.0]
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。
論文参考訳（メタデータ） (2021-04-27T20:32:21Z)
TransFill: Reference-guided Image Inpainting by Merging Multiple Color and Spatial Transformations [35.9576572490994]
本稿では,対象画像とシーン内容を共有する別のソース画像を参照して,穴を埋めるマルチホモグラフィ変換核融合法であるtransfillを提案する。色を調整し、各ホモグラフィー歪んだソースイメージにピクセルレベルのワーピングを適用して、ターゲットとの整合性を高めることを学びます。本手法は,多種多様なベースラインと色差にまたがる画像対の最先端性能を実現し,ユーザ提供画像対に一般化する。
論文参考訳（メタデータ） (2021-03-29T22:45:07Z)
Deep Image Compositing [93.75358242750752]
ユーザ入力なしで高品質の画像合成を自動生成する手法を提案する。ラプラシアン・ピラミッド・ブレンディングにインスパイアされ、フォアグラウンドや背景画像からの情報を効果的に融合させるために、密結合型多ストリーム融合ネットワークが提案されている。実験により,提案手法は高品質な合成物を自動生成し,定性的かつ定量的に既存手法より優れた性能を発揮することが示された。
論文参考訳（メタデータ） (2020-11-04T06:12:24Z)
A Study of Image Pre-processing for Faster Object Recognition [0.0]
良質な画像は、未処理のノイズ画像よりも認識率や分類率が高い。物体の認識や分類率を抑える非処理画像から特徴を抽出することはより困難である。本研究は,機械学習アルゴリズムやディープラーニングアルゴリズムの性能が,トレーニング画像の精度の向上や削減の観点から向上する画像前処理手法を提案する。
論文参考訳（メタデータ） (2020-10-31T02:55:17Z)
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)
Exploiting Deep Generative Prior for Versatile Image Restoration and Manipulation [181.08127307338654]
本研究は, 大規模自然画像に基づいて学習したGAN(Generative Adversarial Network)により, 得られた画像の有効利用方法を示す。深層生成前駆体(DGP)は、色、パッチ、解像度、様々な劣化した画像の欠落したセマンティクスを復元するための説得力のある結果を提供する。
論文参考訳（メタデータ） (2020-03-30T17:45:07Z)

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。