Fugu-MT 論文翻訳(概要): Automatic Portrait Video Matting via Context Motion Network

論文の概要: Automatic Portrait Video Matting via Context Motion Network

arxiv url: http://arxiv.org/abs/2109.04598v2
Date: Mon, 13 Sep 2021 15:48:15 GMT
ステータス: 処理完了
システム内更新日: 2021-09-19 01:22:36.748001
Title: Automatic Portrait Video Matting via Context Motion Network
Title（参考訳）: コンテキストモーションネットワークによる画像の自動マッチング
Authors: Qiqi Hou, Charlie Wang
Abstract要約: 本研究では,意味情報と動き情報を利用するコンテキスト移動ネットワークを提案する。実験の結果,我々のネットワークは最先端のマッティング手法よりも優れていた。
参考スコア（独自算出の注目度）: 3.8326963933937885
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Automatic portrait video matting is an under-constrained problem. Most state-of-the-art methods only exploit the semantic information and process each frame individually. Their performance is compromised due to the lack of temporal information between the frames. To solve this problem, we propose the context motion network to leverage semantic information and motion information. To capture the motion information, we estimate the optical flow and design a context-motion updating operator to integrate features between frames recurrently. Our experiments show that our network outperforms state-of-the-art matting methods significantly on the Video240K SD dataset.
Abstract（参考訳）: 自動ポートレート・ビデオ・マッティングは制約の少ない問題である。ほとんどの最先端の手法は意味情報のみを利用して各フレームを個別に処理する。フレーム間の時間情報の欠如により、パフォーマンスが損なわれる。この問題を解決するために,意味情報と動き情報を利用するコンテキストモーションネットワークを提案する。動き情報を取り込むために,光学フローを推定し,フレーム間の特徴を反復的に統合するコンテキスト・モーション更新演算子を設計する。実験の結果,我々のネットワークはビデオ240K SDデータセットにおいて,最先端のマッチング手法よりも優れていた。

関連論文リスト

CMTA: Cross-Modal Temporal Alignment for Event-guided Video Deblurring [44.30048301161034]
ビデオデブロアリングは、隣接するビデオフレームから情報を集めることで、モーションレッドビデオの復元結果の品質を高めることを目的としている。 1) フレーム内機能拡張は, 単一のぼやけたフレームの露出時間内で動作し, 2) フレーム間時間的特徴アライメントは, 重要な長期時間情報を対象のフレームに収集する。提案手法は, 合成および実世界のデブロアリングデータセットを用いた広範囲な実験により, 最先端のフレームベースおよびイベントベース動作デブロアリング法より優れていることを示す。
論文参考訳（メタデータ） (2024-08-27T10:09:17Z)
Motion-Aware Video Frame Interpolation [49.49668436390514]
我々は、連続するフレームから中間光の流れを直接推定する動き対応ビデオフレーム補間(MA-VFI)ネットワークを導入する。受容場が異なる入力フレームからグローバルな意味関係と空間的詳細を抽出するだけでなく、必要な計算コストと複雑さを効果的に削減する。
論文参考訳（メタデータ） (2024-02-05T11:00:14Z)
Implicit Motion-Compensated Network for Unsupervised Video Object Segmentation [25.41427065435164]
教師なしビデオオブジェクトセグメンテーション(UVOS)は、ビデオシーケンスの背景から一次前景オブジェクトを自動的に分離することを目的としている。既存のUVOS手法では、視覚的に類似した環境(外観ベース)がある場合や、動的背景と不正確な流れ(フローベース)のために予測品質の劣化に悩まされている場合、堅牢性を欠いている。本稿では,隣接するフレームから特徴レベルにおける現在のフレームへの一致した動き情報と相補的キュー(textiti.e.$, appearance and motion)を組み合わせた暗黙的動き補償ネットワーク(IMCNet)を提案する。
論文参考訳（メタデータ） (2022-04-06T13:03:59Z)
Unfolding a blurred image [36.519356428362286]
我々は、教師なしの方法でシャープビデオから動きの表現を学習する。次に、ビデオ再構成の代用タスクを実行する畳み込みリカレントビデオオートエンコーダネットワークを訓練する。ぼやけた画像のためのモーションエンコーダのガイドトレーニングに使用される。このネットワークは、ぼやけた画像から埋め込み動作情報を抽出し、トレーニングされたリカレントビデオデコーダとともにシャープなビデオを生成する。
論文参考訳（メタデータ） (2022-01-28T09:39:55Z)
Exploring Motion and Appearance Information for Temporal Sentence Grounding [52.01687915910648]
本研究では、時間的文のグラウンド化を解決するために、MARN(Motion-Appearance Reasoning Network)を提案する。動作誘導と外見誘導のオブジェクト関係を学習するために,動作分岐と外見分岐を別々に開発する。提案するMARNは,従来の最先端手法よりも大きなマージンで優れていた。
論文参考訳（メタデータ） (2022-01-03T02:44:18Z)
Deep Video Matting via Spatio-Temporal Alignment and Aggregation [63.6870051909004]
新たな集計機能モジュール(STFAM)を用いた深層学習型ビデオマッチングフレームワークを提案する。フレーム毎のトリマップアノテーションを排除するため、軽量なインタラクティブなトリマップ伝搬ネットワークも導入されている。私達のフレームワークは従来のビデオマットおよび深いイメージのマットの方法よりかなり優秀です。
論文参考訳（メタデータ） (2021-04-22T17:42:08Z)
Restoration of Video Frames from a Single Blurred Image with Motion Understanding [69.90724075337194]
単一モーション赤画像からクリーンな映像フレームを生成するための新しいフレームワークを提案する。一つのぼやけた画像からの映像復元を逆問題として、クリーンな画像シーケンスとそれぞれの動きを潜伏要因として設定する。提案手法は,空間トランスフォーマネットワークモジュールを用いたanblur-decoder構造に基づいている。
論文参考訳（メタデータ） (2021-04-19T08:32:57Z)
Motion-blurred Video Interpolation and Extrapolation [72.3254384191509]
本稿では,映像から鮮明なフレームをエンドツーエンドに切り離し,補間し,外挿する新しい枠組みを提案する。予測フレーム間の時間的コヒーレンスを確保し,潜在的な時間的あいまいさに対処するために,単純で効果的なフローベースルールを提案する。
論文参考訳（メタデータ） (2021-03-04T12:18:25Z)
Event-based Motion Segmentation with Spatio-Temporal Graph Cuts [51.17064599766138]
イベントベースカメラで取得したオブジェクトを独立に識別する手法を開発した。この方法は、予想される移動物体の数を事前に決定することなく、技術状態よりも同等以上の性能を発揮する。
論文参考訳（メタデータ） (2020-12-16T04:06:02Z)
MotionSqueeze: Neural Motion Feature Learning for Video Understanding [46.82376603090792]
モーションはビデオを理解する上で重要な役割を担い、ビデオ分類のための最先端のニューラルモデルにはモーション情報が含まれる。本研究では,光学流の外部および重い計算を内部および軽量な運動特徴学習に置き換える。提案手法は,アクション認識のための4つの標準ベンチマークにおいて,少ない追加コストで大幅に向上できることを実証する。
論文参考訳（メタデータ） (2020-07-20T08:30:14Z)

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。