Fugu-MT 論文翻訳(概要): Deep Portrait Delighting

論文の概要: Deep Portrait Delighting

arxiv url: http://arxiv.org/abs/2203.12088v2
Date: Thu, 24 Mar 2022 02:05:48 GMT
ステータス: 処理完了
システム内更新日: 2022-03-25 12:18:24.530165
Title: Deep Portrait Delighting
Title（参考訳）: 深いポートレートの喜び
Authors: Joshua Weir, Junhong Zhao, Andrew Chalmers, Taehyun Rhee
Abstract要約: 制約のないポートレート画像から望ましくないシェーディング特徴を除去するディープニューラルネットワークを提案する。トレーニング手法には3つの正規化戦略が組み込まれている: マスキング損失、高周波シェーディング特徴強調、ソフトシャドウ損失、微妙な照明変化に対する感度向上である。本手法は,最先端技術と比較して,満足度の向上と一般化を実証する。
参考スコア（独自算出の注目度）: 9.455161801306739
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a deep neural network for removing undesirable shading features from an unconstrained portrait image, recovering the underlying texture. Our training scheme incorporates three regularization strategies: masked loss, to emphasize high-frequency shading features; soft-shadow loss, which improves sensitivity to subtle changes in lighting; and shading-offset estimation, to supervise separation of shading and texture. Our method demonstrates improved delighting quality and generalization when compared with the state-of-the-art. We further demonstrate how our delighting method can enhance the performance of light-sensitive computer vision tasks such as face relighting and semantic parsing, allowing them to handle extreme lighting conditions.
Abstract（参考訳）: 本稿では,制約のないポートレート画像から望ましくないシェーディング特徴を除去し,テクスチャを回復するディープニューラルネットワークを提案する。トレーニング手法には3つの正規化戦略が組み込まれている: マスキング損失, 高周波シェーディング特徴の強調, 微妙な照明変化に対する感度を向上させるソフトシャドウ損失, シェーディングとテクスチャの分離を監督するシェーディングオフセット推定である。本手法は,最新技術との比較により,快適な品質と一般化が向上することを示す。さらに,この方法により,顔の照らしや意味解析などの感光性コンピュータビジョンタスクの性能が向上し,極端な照明条件を処理できることを実証する。

関連論文リスト

Inhomogeneous illumination image enhancement under ex-tremely low visibility condition [3.534798835599242]
濃霧を通した画像は、物体の検出や認識の曖昧化といったアプリケーションに不可欠な視覚情報を欠いているため、従来の画像処理手法を妨げている。本稿では,構造微分・積分フィルタ(F)に基づく背景照明を適応的にフィルタし,信号情報のみを向上させる手法を提案する。提案手法は, 極めて低視認性条件下で信号の明瞭度を著しく向上し, 既存の技術よりも優れており, 深部霧画像への応用に大きく貢献することを示した。
論文参考訳（メタデータ） (2024-04-26T16:09:42Z)
CodeEnhance: A Codebook-Driven Approach for Low-Light Image Enhancement [97.95330185793358]
低照度画像強調(LLIE)は、低照度画像を改善することを目的としている。既存の手法では、様々な明るさ劣化からの回復の不確実性と、テクスチャと色情報の喪失という2つの課題に直面している。我々は、量子化された先行値と画像の精細化を利用して、新しいエンハンスメント手法、CodeEnhanceを提案する。
論文参考訳（メタデータ） (2024-04-08T07:34:39Z)
SIRe-IR: Inverse Rendering for BRDF Reconstruction with Shadow and Illumination Removal in High-Illuminance Scenes [51.50157919750782]
本稿では,環境マップ,アルベド,粗さにシーンを分解する暗黙のニューラルレンダリング逆アプローチSIRe-IRを提案する。間接放射場、通常光、可視光、および直接光を同時に正確にモデル化することにより、影と間接光の両方を除去することができる。強い照明の存在下でも,影の干渉を伴わずに高品質なアルベドと粗さを回収する。
論文参考訳（メタデータ） (2023-10-19T10:44:23Z)
Controllable Light Diffusion for Portraits [8.931046902694984]
ポートレートの照明を改善する新しい方法である光拡散を導入する。プロの写真家のディフューザーとスクリムにインスパイアされたこの手法は、1枚のポートレート写真のみの照明を柔らかくする。
論文参考訳（メタデータ） (2023-05-08T14:46:28Z)
Low-light Image and Video Enhancement via Selective Manipulation of Chromaticity [1.4680035572775534]
低照度画像と映像強調のための簡易かつ効果的なアプローチを提案する。上述の適応性により、低照度画像分解による照明と反射率へのコストのかかるステップを回避できる。標準の低照度画像データセットでは,いくつかの最先端技術に対して,アルゴリズムの有効性と質的,定量的な優位性を示す。
論文参考訳（メタデータ） (2022-03-09T17:01:28Z)
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)
Towards High Fidelity Face Relighting with Realistic Shadows [21.09340135707926]
提案手法では,光源画像と対象画像との比(商)を所望の照明で予測する。トレーニング中、我々のモデルは推定影マスクを用いてシャドウを正確に修正することを学ぶ。提案手法は,被験者の表情を忠実に維持し,硬い影を正確に処理できることを実証する。
論文参考訳（メタデータ） (2021-04-02T00:28:40Z)
Towards High Fidelity Monocular Face Reconstruction with Rich Reflectance using Self-supervised Learning and Ray Tracing [49.759478460828504]
ディープニューラルネットワークエンコーダと異なるレンダリングを組み合わせた手法が、幾何学、照明、反射の非常に高速な単分子再構成の道を開いた。古典的な最適化ベースのフレームワーク内での単眼顔再構築のためにレイトレースが導入されました。一般シーンにおける復元品質と堅牢性を大幅に向上させる新しい手法を提案します。
論文参考訳（メタデータ） (2021-03-29T08:58:10Z)
Deep Bilateral Retinex for Low-Light Image Enhancement [96.15991198417552]
低照度画像は、低コントラスト、色歪み、測定ノイズによる視界の低下に悩まされる。本稿では,低照度画像強調のための深層学習手法を提案する。提案手法は最先端の手法と非常に競合し, 極めて低照度で撮影した画像の処理において, 他に比べて大きな優位性を有する。
論文参考訳（メタデータ） (2020-07-04T06:26:44Z)
Deep CG2Real: Synthetic-to-Real Translation via Image Disentanglement [78.58603635621591]
画像空間における未ペアの合成-現実翻訳ネットワークの訓練は、厳しい制約下にある。画像の非交叉シェーディング層とアルベド層に作用する半教師付きアプローチを提案する。私たちの2段階のパイプラインはまず、物理ベースのレンダリングをターゲットとして、教師付き方法で正確なシェーディングを予測することを学習します。
論文参考訳（メタデータ） (2020-03-27T21:45:41Z)

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。