論文の概要: Auxiliary Loss Adaption for Image Inpainting

• arxiv url: http://arxiv.org/abs/2111.07279v1
• Date: Sun, 14 Nov 2021 08:45:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-16 16:18:36.142073
• Title: Auxiliary Loss Adaption for Image Inpainting
• Title（参考訳）: 画像インパインティングのための補助損失適応
• Authors: Siqi Hui, Sanping Zhou, Xingyu Wan, Jixin Wang, Ye Deng, Yang Wu, Zhenghao Gong, Jinjun Wang
• Abstract要約: 本稿では補助損失のパラメータを動的に調整する補助損失適応アルゴリズムを提案する。 本アルゴリズムは, 補助損失の改善が主損失の増大に寄与する原理に基づいている。 実験結果から, ALAは, 固定された補助的損失よりも, より競争力のある塗装結果をもたらすことが示された。
• 参考スコア（独自算出の注目度）: 18.149403865275687
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Auxiliary losses commonly used in image inpainting lead to better reconstruction performance by incorporating prior knowledge of missing regions. However, it usually takes a lot of effort to fully exploit the potential of auxiliary losses, since improperly weighted auxiliary losses would distract the model from the inpainting task, and the effectiveness of an auxiliary loss might vary during the training process. Furthermore, the design of auxiliary losses takes domain expertise. In this work, we introduce the Auxiliary Loss Adaption (Adaption) algorithm to dynamically adjust the parameters of the auxiliary loss, to better assist the primary task. Our algorithm is based on the principle that better auxiliary loss is the one that helps increase the performance of the main loss through several steps of gradient descent. We then examined two commonly used auxiliary losses in inpainting and use \ac{ALA} to adapt their parameters. Experimental results show that ALA induces more competitive inpainting results than fixed auxiliary losses. In particular, simply combining auxiliary loss with \ac{ALA}, existing inpainting methods can achieve increased performances without explicitly incorporating delicate network design or structure knowledge prior.
• Abstract（参考訳）: 画像の塗装によく用いられる補助的損失は、欠落した領域の事前知識を取り入れることで、より良い復元性能をもたらす。 しかし、不適切に重み付けされた補助損失は、塗装作業からモデルを邪魔し、訓練過程において補助損失の有効性が異なるため、通常、補助損失の可能性を完全に活用するには多くの労力を要する。 さらに、補助損失の設計はドメインの専門知識を必要とする。 そこで本研究では,補助損失適応(adaption)アルゴリズムを導入し,補助損失のパラメータを動的に調整し,一次タスクを支援する。 本アルゴリズムは,いくつかの段階の勾配降下による主損失の増大に寄与する,優れた補助損失の原理に基づいている。 次に, 塗布の補助的損失を2回検討し, パラメータの適応に \ac{ALA} を用いた。 実験の結果, alaは補助損失よりも高い競合性を示すことがわかった。 特に, 既存の塗装法では, 補助損失を ac{ALA} と組み合わせれば, 繊細なネットワーク設計や構造知識を事前に明示的に組み込むことなく, 高い性能を実現することができる。

関連論文リスト

• AdaIR: Exploiting Underlying Similarities of Image Restoration Tasks with Adapters [57.62742271140852]
  AdaIRは、パフォーマンスを犠牲にすることなく、低コストで効率的なトレーニングを可能にする新しいフレームワークである。 AdaIRは軽量でタスク固有のモジュールのトレーニングのみを必要とし、より効率的なストレージとトレーニング体制を確保する。
  論文  参考訳（メタデータ） (2024-04-17T15:31:06Z)
• LuminanceL1Loss: A loss function which measures percieved brightness and colour differences [0.0]
  LuminanceL1Lossは、画像復元タスクの性能を高めるために設計された新しい損失関数である。 Retinexformer, BUIFD, DnCNN アーキテクチャに適用した場合, MSE よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-08T11:30:05Z)
• Relationship Quantification of Image Degradations [72.98190570967937]
  劣化関係指数(DRI)は,2モデル間の検証損失の平均ドロップレート差として定義される。 DRIは常に、特定の劣化を列車モデルの補助として利用することで、性能改善を予測します。 得られた劣化組合せがアンカー劣化性能を向上させることができるかどうかを簡易かつ効果的に推定する手法を提案する。
  論文  参考訳（メタデータ） (2022-12-08T09:05:19Z)
• Reinforcement Learning with Automated Auxiliary Loss Search [34.83123677004838]
  補助的損失関数を用いたより良い表現を学習するための原理的,普遍的な手法を提案する。 具体的には、7.5×1020$の一般的な補助損失空間を定義し、効率的な進化的探索戦略を用いて空間を探索する。 その結果, 高次元(イメージ)と低次元(ベクター)の両タスクにおいて, 補助的損失が有意に改善されることが判明した。
  論文  参考訳（メタデータ） (2022-10-12T09:24:53Z)
• Invertible Network for Unpaired Low-light Image Enhancement [78.33382003460903]
  本稿では,非可逆的ネットワークを活用して,前処理における低照度画像の強化と,非対向学習により逆向きに通常の照度画像の劣化を図ることを提案する。 対向的損失に加えて、トレーニングの安定性を確保し、より詳細な画像を保存するために、様々な損失関数を設計する。 低照度画像に対するプログレッシブ自己誘導強調処理を提案し,SOTAに対して良好な性能を示す。
  論文  参考訳（メタデータ） (2021-12-24T17:00:54Z)
• Contrastive Feature Loss for Image Prediction [55.373404869092866]
  教師付き画像合成モデルのトレーニングでは、批評家は2つの画像を比較する必要がある。 本稿では,2つの画像間の類似度を測定するための情報理論に基づくアプローチを提案する。 この定式化により,L1損失の代替として,出力画像の知覚的リアリズムが向上することを示す。
  論文  参考訳（メタデータ） (2021-11-12T20:39:52Z)
• Training a Better Loss Function for Image Restoration [17.20936270604533]
  単一画像のスーパーレゾリューションで最先端の損失関数を上回る軽量な特徴抽出器を訓練するには,単一の自然画像だけで十分であることを示す。 発電機が導入した誤差を罰するように訓練された一連の識別器からなる新しいマルチスケール識別特徴(MDF)損失を提案する。
  論文  参考訳（メタデータ） (2021-03-26T17:29:57Z)
• Implicit Subspace Prior Learning for Dual-Blind Face Restoration [66.67059961379923]
  新しい暗黙的サブスペース事前学習(ISPL)フレームワークが、二重盲顔復元の一般的な解決策として提案されている。 実験の結果,既存の最先端手法に対するISPLの認識歪改善が顕著であった。
  論文  参考訳（メタデータ） (2020-10-12T08:04:24Z)
• Structure-Preserving Super Resolution with Gradient Guidance [87.79271975960764]
  単一画像超解像(SISR)の構造 最近のGAN(Generative Adversarial Network)による研究は、SISRの開発を促進している。 しかし、復元された画像には常に望ましくない構造歪みがある。
  論文  参考訳（メタデータ） (2020-03-29T17:26:58Z)
• Balancing reconstruction error and Kullback-Leibler divergence in Variational Autoencoders [0.0]
  学習は単純な決定論的計算に置き換えられ、基礎となるメカニズムを理解するのに役立ちます。 CifarやCelebaのような典型的なデータセットでは、我々の手法は以前のVAEアーキテクチャよりも優れている。
  論文  参考訳（メタデータ） (2020-02-18T12:22:31Z)

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。