論文の概要: Depth-aware Neural Style Transfer using Instance Normalization
- arxiv url: http://arxiv.org/abs/2203.09242v1
- Date: Thu, 17 Mar 2022 11:11:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-18 16:00:40.435025
- Title: Depth-aware Neural Style Transfer using Instance Normalization
- Title(参考訳): インスタンス正規化を用いた奥行き認識ニューラルスタイル転送
- Authors: Eleftherios Ioannou and Steve Maddock
- Abstract要約: 我々は,コンテンツやスタイルに付加的な損失関数として深度保存を統合するために,例えば正規化層を用いた深部残差畳み込みネットワークを開発した。
本システムでは,スタイルキャプチャ機能と審美的品質を最先端の手法に匹敵するか,あるいは優れているかを示しながら,スタイル化結果の構造を保存できる。
- 参考スコア(独自算出の注目度): 1.5567685129899715
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neural Style Transfer (NST) is concerned with the artistic stylization of
visual media. It can be described as the process of transferring the style of
an artistic image onto an ordinary photograph. Recently, a number of studies
have considered the enhancement of the depth-preserving capabilities of the NST
algorithms to address the undesired effects that occur when the input content
images include numerous objects at various depths. Our approach uses a deep
residual convolutional network with instance normalization layers that utilizes
an advanced depth prediction network to integrate depth preservation as an
additional loss function to content and style. We demonstrate results that are
effective in retaining the depth and global structure of content images. Three
different evaluation processes show that our system is capable of preserving
the structure of the stylized results while exhibiting style-capture
capabilities and aesthetic qualities comparable or superior to state-of-the-art
methods.
- Abstract(参考訳): ニューラルスタイル転送(NST)は視覚メディアの芸術的スタイル化に関係している。
芸術的なイメージのスタイルを普通の写真に移す過程ともいえる。
近年,入力コンテンツ画像が様々な深度に多数のオブジェクトを含む場合に生じる望ましくない効果に対処するため,NSTアルゴリズムの深度保存能力の向上が検討されている。
本手法では,インスタンス正規化層を有する深い残差畳み込みネットワークを用いて,高度な深さ予測ネットワークを用いて,奥行き保存をコンテンツとスタイルに付加的損失関数として統合する。
コンテンツ画像の深さとグローバルな構造を維持するのに有効な結果を示す。
3つの異なる評価プロセスにより,本システムは,最新の手法に匹敵する,あるいは優れた美的品質を示すとともに,スタイリッシュな結果の構造を保存できることを示した。
関連論文リスト
- Generative AI Model for Artistic Style Transfer Using Convolutional
Neural Networks [0.0]
芸術的なスタイルの転送は、ある画像の内容を別の芸術的なスタイルに融合させ、ユニークな視覚的な構成を作り出すことである。
本稿では,畳み込みニューラルネットワーク(CNN)を用いた新しいスタイル伝達手法の概要を概説する。
論文 参考訳(メタデータ) (2023-10-27T16:21:17Z) - AugUndo: Scaling Up Augmentations for Unsupervised Depth Completion [54.1925051672779]
そこで本稿では,教師なし深度補完のために,従来不可能であった幾何拡張の幅広い範囲をアンロックする手法を提案する。
これは、出力深さの座標への幾何変換を反転、あるいは「アンド」し、深度マップを元の参照フレームに戻すことで達成される。
論文 参考訳(メタデータ) (2023-10-15T05:15:45Z) - Arbitrary Style Transfer with Structure Enhancement by Combining the
Global and Local Loss [51.309905690367835]
本稿では,グローバルな損失と局所的な損失を組み合わせ,構造拡張を伴う任意のスタイル転送手法を提案する。
実験結果から,視覚効果の優れた高画質画像が生成できることが示唆された。
論文 参考訳(メタデータ) (2022-07-23T07:02:57Z) - SLIDE: Single Image 3D Photography with Soft Layering and Depth-aware
Inpainting [54.419266357283966]
シングルイメージの3D写真は、視聴者が新しい視点から静止画を見ることを可能にする。
最近のアプローチでは、単分子深度ネットワークと塗装ネットワークを組み合わせることで、説得力のある結果が得られる。
単一画像3D撮影のためのモジュール・統一システムであるSLIDEについて述べる。
論文 参考訳(メタデータ) (2021-09-02T16:37:20Z) - UMFA: A photorealistic style transfer method based on U-Net and
multi-layer feature aggregation [0.0]
本稿では,フォトリアリスティックなイメージスタイリングの自然な効果を強調するために,フォトリアリスティックなスタイル転送ネットワークを提案する。
特に、高密度ブロックに基づくエンコーダとU-Netの対称構造を形成するデコーダとを連立して、効率的な特徴抽出と画像再構成を実現する。
論文 参考訳(メタデータ) (2021-08-13T08:06:29Z) - RigNet: Repetitive Image Guided Network for Depth Completion [20.66405067066299]
近年のアプローチは、高密度な結果を予測するためのイメージガイド学習に重点を置いている。
ぼやけたイメージガイダンスとオブジェクト構造は、まだイメージガイドされたフレームワークのパフォーマンスを妨げている。
画像案内ネットワークにおける反復的な設計を探索し,徐々に深度値の回復を図る。
提案手法は,NYUv2データセットの最先端化を実現し,提出時のKITTIベンチマークで1位にランクインする。
論文 参考訳(メタデータ) (2021-07-29T08:00:33Z) - S2R-DepthNet: Learning a Generalizable Depth-specific Structural
Representation [63.58891781246175]
人間はリアルなイメージではなくスケッチからシーンの3次元幾何学を推測することができ、空間構造がシーンの深さを理解する上で基本的な役割を果たすことを示す。
我々は,深度推定に不可欠な特徴を捉え,無関係なスタイル情報を無視する,深度特異的な構造表現の学習を初めて行う。
当社のS2R-DepthNetは、合成データでのみ訓練されているにもかかわらず、目に見えない実際のデータに直接一般化できます。
論文 参考訳(メタデータ) (2021-04-02T03:55:41Z) - Deep Wiener Deconvolution: Wiener Meets Deep Learning for Image
Deblurring [132.4886971756387]
本稿では,古典的なWienerデコンボリューションフレームワークを学習深い特徴と統合することにより,特徴空間における明示的なデコンボリューションプロセスを提案する。
マルチスケールの機能改善モジュールは、デコンボリュートされた深い特徴からデブロワード画像を予測する。
当社のアプローチは、最新の非盲点画像デブレーション法を広いマージンで定量的に上回る。
論文 参考訳(メタデータ) (2021-03-18T00:38:11Z) - Disentangling Image Distortions in Deep Feature Space [20.220653544354285]
我々は、深い視覚表現の能力を分析し、異なる種類の画像歪みを本質的に特徴付けることによって、知覚的類似性に対するより広い理解の方向への一歩を踏み出す。
与えられた層から抽出された特徴の次元還元表現により、特徴空間内の歪みのタイプを効率的に分離することができる。
各ネットワーク層は、異なるタイプの歪みを分離する異なる能力を示し、ネットワークアーキテクチャによってその能力は異なる。
論文 参考訳(メタデータ) (2020-02-26T11:02:13Z) - Depth Completion Using a View-constrained Deep Prior [73.21559000917554]
近年の研究では、畳み込みニューラルネットワーク(CNN)の構造が、自然画像に有利な強い先行性をもたらすことが示されている。
この前者はディープ・イメージ・先行 (DIP) と呼ばれ、画像の装飾や塗装といった逆問題において有効な正則化器である。
我々は、DIPの概念を深度画像に拡張し、色画像とノイズと不完全な目標深度マップから、CNNネットワーク構造を先行して復元された深度マップを再構成する。
論文 参考訳(メタデータ) (2020-01-21T21:56:01Z)
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。