Fugu-MT 論文翻訳(概要): Bias in Automated Image Colorization: Metrics and Error Types

論文の概要: Bias in Automated Image Colorization: Metrics and Error Types

arxiv url: http://arxiv.org/abs/2202.08143v1
Date: Wed, 16 Feb 2022 15:34:09 GMT
ステータス: 処理完了
システム内更新日: 2022-02-17 17:21:20.459022
Title: Bias in Automated Image Colorization: Metrics and Error Types
Title（参考訳）: 自動カラー化におけるバイアス:メトリクスとエラータイプ
Authors: Frank Stapel, Floris Weers, Doina Bucur
Abstract要約: 自動GANベースのDeOldifyモデルでカラー化した場合,ADE20Kデータセットからカラー化画像に存在する色変化を測定した。原画像と着色画像の局所的・局所的偏差を微妙に測定し,多くの着色効果を観察する。
参考スコア（独自算出の注目度）: 0.5801044612920815
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: We measure the color shifts present in colorized images from the ADE20K dataset, when colorized by the automatic GAN-based DeOldify model. We introduce fine-grained local and regional bias measurements between the original and the colorized images, and observe many colorization effects. We confirm a general desaturation effect, and also provide novel observations: a shift towards the training average, a pervasive blue shift, different color shifts among image categories, and a manual categorization of colorization errors in three classes.
Abstract（参考訳）: 自動GANベースのDeOldifyモデルを用いて,ADE20Kデータセットからカラー化画像に存在する色変化を測定する。原画像と彩色画像の局所的および局所的なバイアス測定を行い,多くの彩色効果を観察した。トレーニング平均へのシフト,広汎なブルーシフト,画像カテゴリ間の色シフト,3つのクラスにおけるカラー化誤差の手動分類といった,一般的なデ飽和効果を確認し,新たな観察を提供する。

関連論文リスト

A Color Image Analysis Tool to Help Users Choose a Makeup Foundation Color [4.374427560393137]
本稿では,ノメイク自撮り画像と基礎陰影画像に基づいて,肌色と境界色を推定する手法を提案する。まず、カラーチェッカーターゲットの助けを借りて画像の校正を行い、その後、皮膚の色を予測するために教師付き学習モデルを訓練する。
論文参考訳（メタデータ） (2024-07-08T02:01:36Z)
Automatic Controllable Colorization via Imagination [55.489416987587305]
本稿では,反復的な編集と修正が可能な自動色付けフレームワークを提案する。グレースケール画像内のコンテンツを理解することにより、トレーニング済みの画像生成モデルを用いて、同じコンテンツを含む複数の画像を生成する。これらの画像は、人間の専門家の過程を模倣して、色付けの参考となる。
論文参考訳（メタデータ） (2024-04-08T16:46:07Z)
CCC: Color Classified Colorization [0.0]
カラー化問題を多項分類問題に定式化し、次に重み付き関数をクラスに適用する。カラー値をカラークラスに変換するための式セットを提案し,その逆も提案する。提案したモデルと5つの異なるデータセットを用いた最先端モデルを比較した。
論文参考訳（メタデータ） (2024-03-03T11:00:15Z)
Control Color: Multimodal Diffusion-based Interactive Image Colorization [81.68817300796644]
Control Color (Ctrl Color) は、事前訓練された安定拡散(SD)モデルを利用する多モードカラー化手法である。ユーザのストロークをエンコードして、局所的な色操作を正確に行うための効果的な方法を提案する。また、カラーオーバーフローと不正確な色付けの長年の問題に対処するために、自己注意に基づく新しいモジュールとコンテンツ誘導型変形可能なオートエンコーダを導入する。
論文参考訳（メタデータ） (2024-02-16T17:51:13Z)
ColorizeDiffusion: Adjustable Sketch Colorization with Reference Image and Text [5.675944597452309]
事前学習したCLIP画像エンコーダの異なる画像トークンを利用した画像誘導潜時拡散モデルの2つのバリエーションを紹介する。重み付きテキスト入力を用いて結果の逐次的調整を行うための,対応する操作手法を提案する。
論文参考訳（メタデータ） (2024-01-02T22:46:12Z)
Easing Color Shifts in Score-Based Diffusion Models [0.0]
スコアネットワークにおける非線形バイパス接続の性能を定量化する。このネットワークアーキテクチャは生成した画像の品質を大幅に向上させることを示す。
論文参考訳（メタデータ） (2023-06-27T23:33:30Z)
Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2022-11-14T18:16:36Z)
PalGAN: Image Colorization with Palette Generative Adversarial Networks [51.59276436217957]
そこで本研究では,パレット推定とカラーアテンションを統合した新しいGANベースのカラー化手法PalGANを提案する。 PalGANは、定量的評価と視覚比較において最先端の成果を上げ、顕著な多様性、コントラスト、およびエッジ保存の外観を提供する。
論文参考訳（メタデータ） (2022-10-20T12:28:31Z)
Neural Color Operators for Sequential Image Retouching [62.99812889713773]
本稿では,新たに導入したトレーニング可能なニューラルカラー演算子のシーケンスとして,リタッチ処理をモデル化して,新しい画像リタッチ手法を提案する。ニューラルカラー演算子は、従来のカラー演算子の振舞いを模倣し、その強度をスカラーで制御しながらピクセルワイズな色変換を学習する。定量的な測定と視覚的品質の両面で,SOTA法と比較して常に最良の結果が得られている。
論文参考訳（メタデータ） (2022-07-17T05:33:19Z)
Detecting Recolored Image by Spatial Correlation [60.08643417333974]
画像のリカラー化は、画像の色値を操作して新しいスタイルを与える、新たな編集技術である。本稿では,空間相関の観点から,従来型と深層学習による再色検出の汎用的検出能力を示す解を探索する。提案手法は,複数のベンチマークデータセット上での最先端検出精度を実現し,未知の種類の再色法を適切に一般化する。
論文参考訳（メタデータ） (2022-04-23T01:54:06Z)
Structure-Preserving Multi-Domain Stain Color Augmentation using Style-Transfer with Disentangled Representations [0.9051352746190446]
HistAuGANは、様々な現実的な組織学の染色色をシミュレートできるため、トレーニング中にニューラルネットワークの染色が不変になる。画像から画像への変換のためのGAN(generative adversarial network)に基づいて,画像の内容,すなわち形態的組織構造を染色色属性から切り離す。複数のドメインでトレーニングすることができるため、スライド作成および撮像プロセスで導入された他のドメイン固有のバリエーションと同様に、異なる染色色をカバーできることを学ぶことができる。
論文参考訳（メタデータ） (2021-07-26T17:52:39Z)

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。