論文の概要: Deep Image Debanding

• arxiv url: http://arxiv.org/abs/2110.08569v1
• Date: Sat, 16 Oct 2021 13:11:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-19 18:16:34.088696
• Title: Deep Image Debanding
• Title（参考訳）: 深部画像のデバンドリング
• Authors: Raymond Zhou, Shahrukh Athar, Zhongling Wang, and Zhou Wang
• Abstract要約: 画像の深層学習に基づくバンドリングアーティファクト除去手法を開発し,それを深層除バンドネットワーク(deepDeband)と呼ぶ。 そのトレーニングのために、51,490対の対応するプリスタンとバンド画像パッチからなる大規模なデータセットを構築した。 性能評価の結果,DeepDebandは画像のバンド化アーティファクトを大幅に低減し,既存の手法よりも定量的かつ視覚的に優れていることがわかった。
• 参考スコア（独自算出の注目度）: 17.087646625177555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Banding or false contour is an annoying visual artifact whose impact is even more pronounced in ultra high definition, high dynamic range, and wide colour gamut visual content, which is becoming increasingly popular. Since users associate a heightened expectation of quality with such content and banding leads to deteriorated visual quality-of-experience, the area of banding removal or debanding has taken paramount importance. Existing debanding approaches are mostly knowledge-driven. Despite the widespread success of deep learning in other areas of image processing and computer vision, data-driven debanding approaches remain surprisingly missing. In this work, we make one of the first attempts to develop a deep learning based banding artifact removal method for images and name it deep debanding network (deepDeband). For its training, we construct a large-scale dataset of 51,490 pairs of corresponding pristine and banded image patches. Performance evaluation shows that deepDeband is successful at greatly reducing banding artifacts in images, outperforming existing methods both quantitatively and visually.
• Abstract（参考訳）: バンドリングや偽輪郭は、超高精細度、高ダイナミックレンジ、広色域の視覚的コンテンツにおいて、影響がさらに顕著な、不快な視覚的アーティファクトであり、ますます人気が高まっている。 このようなコンテンツやバンド化による品質期待の高まりは、視力の低下につながるため、バンド化除去や解体の領域が最重要視されている。 既存の解体アプローチは主に知識駆動である。 画像処理とコンピュータビジョンの他の領域でディープラーニングが広く成功しているにも関わらず、データ駆動デバンド化アプローチは驚くほど欠落している。 本研究では,画像に対する深層学習に基づくバンドングアーティファクト除去手法を開発し,deep debanding network (deepdeband) と名づける最初の試みの一つである。 そのトレーニングのために,51,490組のプリスティーヌおよびバンド画像パッチによる大規模データセットを構築した。 パフォーマンス評価の結果、deepdebandは画像のバンドングアーティファクトを大幅に削減し、定量的および視覚的に既存の方法を上回ることに成功した。

関連論文リスト

• Knowledge-Guided Prompt Learning for Deepfake Facial Image Detection [54.26588902144298]
  ディープフェイク顔画像検出のための知識誘導型プロンプト学習法を提案する。 具体的には、学習可能なプロンプトの最適化を導くための専門家知識として、大規模言語モデルから偽造関連プロンプトを抽出する。 提案手法は最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2025-01-01T02:18:18Z)
• Learning Flow Fields in Attention for Controllable Person Image Generation [59.10843756343987]
  制御可能な人物画像生成は、参照画像に条件付けされた人物画像を生成することを目的としている。 そこで本研究では,対象クエリに対して,適切な参照キーへの参照を明示的にガイドする学習フロー場(Leffa)を提案する。 Leffaは外観(仮想試行)とポーズ(目的移動)の制御における最先端のパフォーマンスを実現し、細かなディテール歪みを著しく低減する。
  論文  参考訳（メタデータ） (2024-12-11T15:51:14Z)
• Semi-LLIE: Semi-supervised Contrastive Learning with Mamba-based Low-light Image Enhancement [59.17372460692809]
  本研究は、平均教師による半教師付き低照度強化(Semi-LLIE)フレームワークを提案する。 照度分布を忠実に伝達するために、意味認識によるコントラスト損失を導入し、自然色による画像の強調に寄与する。 また,大規模な視覚言語認識モデル(RAM)に基づく新たな知覚損失を提案し,よりリッチなテキストによる画像生成を支援する。
  論文  参考訳（メタデータ） (2024-09-25T04:05:32Z)
• Masked Image Training for Generalizable Deep Image Denoising [53.03126421917465]
  本稿では,デノナイジングネットワークの一般化性能を高めるための新しい手法を提案する。 提案手法では,入力画像のランダムなピクセルをマスキングし,学習中に欠落した情報を再構成する。 提案手法は,他のディープラーニングモデルよりも優れた一般化能力を示し,実世界のシナリオに直接適用可能である。
  論文  参考訳（メタデータ） (2023-03-23T09:33:44Z)
• Structure-guided Image Outpainting [2.7215474244966296]
  画像の露光は、大規模な領域の喪失と、あまり正当でない近隣情報による困難を伴う。 本稿では,GAN(Generative Adrial Network)と条件エッジに基づくディープラーニング手法を提案する。 新たに追加されたセマンティック埋め込み損失は、実際に有効であることが証明されている。
  論文  参考訳（メタデータ） (2022-12-21T20:24:24Z)
• Deep Image Retrieval is not Robust to Label Noise [0.0]
  画像分類法は,画像分類法よりもラベルノイズに対する頑健さが低いことを示す。 画像検索タスクに特有なラベルノイズの種類を初めて検討した。
  論文  参考訳（メタデータ） (2022-05-23T11:04:09Z)
• Distilling effective supervision for robust medical image segmentation with noisy labels [21.68138582276142]
  本稿では,画素レベルと画像レベルの両方から効果的な監視情報を抽出することにより,ノイズラベルによるセグメント化に対処する新しい枠組みを提案する。 特に,各画素の不確かさを画素単位の雑音推定として明確に推定する。 画素レベルの学習を補完する画像レベルの頑健な学習手法を提案する。
  論文  参考訳（メタデータ） (2021-06-21T13:33:38Z)
• Survey: Image Mixing and Deleting for Data Augmentation [0.0]
  画像のミキシングと削除は、データ拡張のサブ領域である。 このアプローチでトレーニングされたモデルは、うまく動作し、一般化することが示されている。 計算コストの低減と近年の成功により,画像の混合・削除技術が数多く提案されている。
  論文  参考訳（メタデータ） (2021-06-13T20:32:24Z)
• DILIE: Deep Internal Learning for Image Enhancement [31.75300124593133]
  近年の画像強調手法では, スタイル転送と画像復元が問題となっている。 我々は,深層内部学習フレームワークで画像強調を行う。 画像強調とノイズ強調の両方の結果を示す。
  論文  参考訳（メタデータ） (2020-12-11T16:39:44Z)
• Self-Adaptively Learning to Demoire from Focused and Defocused Image Pairs [97.67638106818613]
  モアレアーティファクトはデジタル写真では一般的であり、高周波シーンコンテンツとカメラのカラーフィルタアレイとの干渉によるものである。 大規模反復で訓練された既存のディープラーニングに基づく復習手法は、様々な複雑なモアレパターンを扱う場合に限られる。 本稿では,高頻度画像の復調のための自己適応学習手法を提案する。
  論文  参考訳（メタデータ） (2020-11-03T23:09:02Z)
• Contrastive Rendering for Ultrasound Image Segmentation [59.23915581079123]
  米国の画像にシャープな境界がないことは、セグメンテーションに固有の課題である。 我々は,US画像における境界推定を改善するための,新しい,効果的なフレームワークを提案する。 提案手法は最先端の手法より優れており,臨床応用の可能性も高い。
  論文  参考訳（メタデータ） (2020-10-10T07:14:03Z)

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。