Fugu-MT 論文翻訳(概要): Image Inpainting Using AutoEncoder and Guided Selection of Predicted Pixels

論文の概要: Image Inpainting Using AutoEncoder and Guided Selection of Predicted Pixels

arxiv url: http://arxiv.org/abs/2112.09262v1
Date: Fri, 17 Dec 2021 00:10:34 GMT
ステータス: 処理完了
システム内更新日: 2021-12-20 15:50:51.800211
Title: Image Inpainting Using AutoEncoder and Guided Selection of Predicted Pixels
Title（参考訳）: オートエンコーダによる画像塗装と予測画素の選択
Authors: Mohammad H. Givkashi, Mahshid Hadipour, Arezoo PariZanganeh, Zahra Nabizadeh, Nader Karimi, Shadrokh Samavi
Abstract要約: 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。
参考スコア（独自算出の注目度）: 9.527576103168984
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Image inpainting is an effective method to enhance distorted digital images. Different inpainting methods use the information of neighboring pixels to predict the value of missing pixels. Recently deep neural networks have been used to learn structural and semantic details of images for inpainting purposes. In this paper, we propose a network for image inpainting. This network, similar to U-Net, extracts various features from images, leading to better results. We improved the final results by replacing the damaged pixels with the recovered pixels of the output images. Our experimental results show that this method produces high-quality results compare to the traditional methods.
Abstract（参考訳）: 画像インペインティングは、歪んだデジタル画像を強化する効果的な方法である。異なる塗装法は、隣接するピクセルの情報を用いて、欠落したピクセルの値を予測する。近年, 深層ニューラルネットワークを用いて画像の構造的, 意味的詳細を学習している。本稿では,画像インペイントのためのネットワークを提案する。 u-netと同様、このネットワークは画像から様々な特徴を抽出し、より良い結果をもたらす。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。本手法は従来の手法と比較して高品質な結果が得られることを示す。

関連論文リスト

Pixel-Inconsistency Modeling for Image Manipulation Localization [63.54342601757723]
デジタル画像法医学は、画像認証と操作のローカライゼーションにおいて重要な役割を果たす。本稿では,画素不整合アーチファクトの解析を通じて,一般化されたロバストな操作ローカライゼーションモデルを提案する。実験により,本手法は固有の画素不整合偽指紋を抽出することに成功した。
論文参考訳（メタデータ） (2023-09-30T02:54:51Z)
SuperInpaint: Learning Detail-Enhanced Attentional Implicit Representation for Super-resolutional Image Inpainting [26.309834304515544]
我々はSuperInpaintと呼ばれる課題の画像復元タスクを導入する。この課題は、低解像度画像中の欠落領域を再構築し、任意の高解像度画像を生成することである。本論文では,SuperInpaintを1つのモデルで実現可能な細部強調型暗黙表現を提案する。
論文参考訳（メタデータ） (2023-07-26T20:28:58Z)
Perceptual Artifacts Localization for Inpainting [60.5659086595901]
そこで本研究では,知覚的アーティファクトの自動セグメンテーションの学習タスクを提案する。データセット上で高度なセグメンテーションネットワークをトレーニングし、インペイントされた画像内のインペイントされたアーティファクトを確実にローカライズする。また, 対象領域と対象領域全体との比率である知覚人工物比 (PAR) という新しい評価指標を提案する。
論文参考訳（メタデータ） (2022-08-05T18:50:51Z)
In&Out : Diverse Image Outpainting via GAN Inversion [89.84841983778672]
image outpaintingは、利用可能なコンテンツを超えて、入力画像の意味的に一貫した拡張を求める。本研究では、生成的対向ネットワークの反転の観点から問題を定式化する。私達の発電機はイメージの彼らの共同潜入コードそして個々の位置で調節されるマイクロパッチをレンダリングします。
論文参考訳（メタデータ） (2021-04-01T17:59:10Z)
Restore from Restored: Single-image Inpainting [9.699531255678856]
本論文では,絵画ネットワークにおける自己監督型微調整アルゴリズムについて述べる。入力画像内の既存の自己相似パッチを利用して,事前学習したネットワークのパラメータをアップグレードする。公開ベンチマークデータセットで最先端のインペインティング結果を達成します。
論文参考訳（メタデータ） (2021-02-16T10:59:28Z)
R-MNet: A Perceptual Adversarial Network for Image Inpainting [5.471225956329675]
本稿では,新たな逆マスク演算子であるReverse Masking Network(R-MNet)と組み合わせたWasserstein GANを提案する。提案手法は,高分解能な塗装作業に一般化でき,人間の視覚系に適応可能なよりリアルな出力を示す。
論文参考訳（メタデータ） (2020-08-11T10:58:10Z)
Deep Photo Cropper and Enhancer [65.11910918427296]
画像に埋め込まれた画像を収穫する新しいタイプの画像強調問題を提案する。提案手法をディープ・フォト・クリーパーとディープ・イメージ・エンハンサーの2つのディープ・ネットワークに分割した。フォトクロッパーネットワークでは,埋め込み画像の抽出に空間変換器を用いる。フォトエンハンサーでは、埋め込み画像中の画素数を増やすために超解像を用いる。
論文参考訳（メタデータ） (2020-08-03T03:50:20Z)
Swapping Autoencoder for Deep Image Manipulation [94.33114146172606]
画像操作に特化して設計されたディープモデルであるSwapping Autoencoderを提案する。キーとなるアイデアは、2つの独立したコンポーネントで画像をエンコードし、交換された組み合わせをリアルなイメージにマップするように強制することだ。複数のデータセットの実験により、我々のモデルはより良い結果が得られ、最近の生成モデルと比較してかなり効率が良いことが示されている。
論文参考訳（メタデータ） (2020-07-01T17:59:57Z)
High-Resolution Image Inpainting with Iterative Confidence Feedback and Guided Upsampling [122.06593036862611]
既存の画像塗装法は、実アプリケーションで大きな穴を扱う際に、しばしばアーティファクトを生成する。本稿では,フィードバック機構を備えた反復インペイント手法を提案する。実験により,本手法は定量評価と定性評価の両方において既存手法よりも有意に優れていた。
論文参考訳（メタデータ） (2020-05-24T13:23:45Z)
Large Hole Image Inpainting With Compress-Decompression Network [0.0]
既存の方法では、破損した画像の修復のための畳み込みニューラルネットワークが提案されている。既存の手法を考察し,圧縮圧縮ネットワークという新しいネットワークを提案する。残差ネットワークを用いた圧縮ネットワークを構築し,画像の拡張に類似したテクスチャ選択アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-02-01T12:39:13Z)

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。