論文の概要: High Quality Segmentation for Ultra High-resolution Images

• arxiv url: http://arxiv.org/abs/2111.14482v1
• Date: Mon, 29 Nov 2021 11:53:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-11-30 17:41:07.566692
• Title: High Quality Segmentation for Ultra High-resolution Images
• Title（参考訳）: 超高解像度画像のための高品質セグメンテーション
• Authors: Tiancheng Shen, Yuechen Zhang, Lu Qi, Jason Kuen, Xingyu Xie, Jianlong Wu, Zhe Lin, Jiaya Jia
• Abstract要約: 超高分解能セグメンテーション精錬作業のための連続精細モデルを提案する。 提案手法は画像分割精細化において高速かつ効果的である。
• 参考スコア（独自算出の注目度）: 72.97958314291648
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To segment 4K or 6K ultra high-resolution images needs extra computation consideration in image segmentation. Common strategies, such as down-sampling, patch cropping, and cascade model, cannot address well the balance issue between accuracy and computation cost. Motivated by the fact that humans distinguish among objects continuously from coarse to precise levels, we propose the Continuous Refinement Model~(CRM) for the ultra high-resolution segmentation refinement task. CRM continuously aligns the feature map with the refinement target and aggregates features to reconstruct these images' details. Besides, our CRM shows its significant generalization ability to fill the resolution gap between low-resolution training images and ultra high-resolution testing ones. We present quantitative performance evaluation and visualization to show that our proposed method is fast and effective on image segmentation refinement. Code will be released at https://github.com/dvlab-research/Entity.
• Abstract（参考訳）: 4Kまたは6Kの超高解像度画像は、画像分割において余分な計算量を必要とする。 ダウンサンプリング、パッチトリミング、カスケードモデルといった一般的な戦略は、精度と計算コストのバランスの問題にうまく対処できない。 超高分解能セグメンテーション精細化タスクにおいて,人間が連続的にオブジェクトを粗いレベルから正確なレベルに区別することから,連続リファインメントモデル~(CRM)を提案する。 crmは機能マップを改良対象と連続的に調整し、これらの画像の詳細を再構築する機能を集約する。 さらに,我々のcrmは,低解像度トレーニング画像と超高解像度テスト画像との解像度ギャップを埋めるための重要な一般化能力を示している。 本稿では,提案手法が高速かつ有効であることを示すため,定量的な性能評価と可視化を行う。 コードはhttps://github.com/dvlab-research/entityでリリースされる。

関連論文リスト

• One Look is Enough: A Novel Seamless Patchwise Refinement for Zero-Shot Monocular Depth Estimation Models on High-Resolution Images [25.48185527420231]
  我々は、効率的で一般化可能なタイルベースのフレームワークであるPatch Refine Once (PRO)を提案する。 提案手法は, (i) 深度不連続性問題を緩和しつつ, テスト時間効率を向上させるグループパッチ整合性トレーニングという2つの重要な要素から構成される。 我々のPROはよく調和でき、グリッド境界における深度不連続性の少ない高解像度画像のグリッド入力に対して、そのDEC機能を依然として有効にすることができる。
  論文  参考訳（メタデータ） (2025-03-28T11:46:50Z)
• HRDecoder: High-Resolution Decoder Network for Fundus Image Lesion Segmentation [12.606794661369959]
  骨盤病変分割のための簡易高分解能デコーダネットワークHRDecoderを提案する。 高精細な局所的特徴を捉えるための高精細な表現学習モジュールと、マルチスケールの予測を融合する高精細な融合モジュールを統合している。 本手法は, 適正なメモリと計算オーバーヘッドを消費し, 推論速度の満足度を維持しながら, 足底部病変の全体的なセグメンテーション精度を効果的に向上させる。
  論文  参考訳（メタデータ） (2024-11-06T15:13:31Z)
• High-Precision Dichotomous Image Segmentation via Probing Diffusion Capacity [69.32473738284374]
  本稿では,拡散モデルにおける事前学習されたU-Netのポテンシャルを利用する拡散駆動セグメンテーションモデルDiffDISを提案する。 SDモデルに先立って、頑健な一般化機能とリッチで多目的な画像表現を活用することにより、高忠実で詳細な生成を保ちながら、推論時間を著しく短縮する。 DIS5Kデータセットの実験は、DiffDISの優位性を示し、合理化された推論プロセスを通じて最先端の結果を達成する。
  論文  参考訳（メタデータ） (2024-10-14T02:49:23Z)
• Low-Resolution Self-Attention for Semantic Segmentation [96.81482872022237]
  我々は,グローバルコンテキストを計算コストの大幅な削減で捉えるために,低解像度自己認識(LRSA)機構を導入する。 我々のアプローチは、入力画像の解像度に関わらず、固定された低解像度空間における自己注意を計算することである。 本稿では,エンコーダ・デコーダ構造を持つビジョントランスであるLRFormerを構築することで,LRSA手法の有効性を示す。
  論文  参考訳（メタデータ） (2023-10-08T06:10:09Z)
• Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
  病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。 核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。 提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
  論文  参考訳（メタデータ） (2023-01-24T17:54:01Z)
• Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
  本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。 我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。 提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2022-04-19T17:59:45Z)
• Joint Calibrationless Reconstruction and Segmentation of Parallel MRI [21.227526213206545]
  キャリブレーションレス並列MRI再構成のための新しい画像領域深層学習フレームワークを提案する。 提案した画像領域の深いキャリブレーションレスアプローチとセグメンテーションアルゴリズムの組み合わせにより,画質が向上した。 提案されている数ショットのトレーニング戦略では、パフォーマンス向上のためにセグメント化されたデータセットの10%しか必要としない。
  論文  参考訳（メタデータ） (2021-05-19T16:04:20Z)
• Foveation for Segmentation of Ultra-High Resolution Images [8.037287701125832]
  本稿では、入力パッチの適切な設定(FoV/解像度トレードオフ)を適応的に選択し、下流セグメンテーションモデルにフィードする、学習可能なデータローダであるFoveationモジュールを紹介する。 固定されたFoV/解像度トレードオフのパッチでトレーニングした場合よりも,Foveationモジュールはセグメンテーション性能を一貫して向上することを示す。
  論文  参考訳（メタデータ） (2020-07-29T21:44:39Z)
• CascadePSP: Toward Class-Agnostic and Very High-Resolution Segmentation via Global and Local Refinement [0.0]
  最先端のセマンティックセグメンテーション手法は、固定解像度範囲内の画像にのみ訓練された。 本稿では,高分解能トレーニングデータを用いることなく,高分解能セグメンテーション問題に対処する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T01:38:03Z)
• Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
  畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。 ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。 提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
  論文  参考訳（メタデータ） (2020-03-15T11:04:30Z)

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。