論文の概要: Relaxation Labeling Meets GANs: Solving Jigsaw Puzzles with Missing Borders

• arxiv url: http://arxiv.org/abs/2203.14428v1
• Date: Mon, 28 Mar 2022 00:38:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-29 13:35:36.088148
• Title: Relaxation Labeling Meets GANs: Solving Jigsaw Puzzles with Missing Borders
• Title（参考訳）: 緩和ラベルがGANと出会う - 境界を逸脱したJigsawのパズルの解決
• Authors: Marina Khoroshiltseva and Arianna Traviglia and Marcello Pelillo and Sebastiano Vascon
• Abstract要約: 我々は, Jigsaw パズルを浸食あるいは欠落した境界で解くための GAN ベースの手法である JiGAN を提案する。 提案手法は,小さなパズルの大規模なデータセットと3つの一般的なベンチマークデータセットを用いて,提案手法の有効性を実証する。
• 参考スコア（独自算出の注目度）: 13.98838872235379
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes JiGAN, a GAN-based method for solving Jigsaw puzzles with eroded or missing borders. Missing borders is a common real-world situation, for example, when dealing with the reconstruction of broken artifacts or ruined frescoes. In this particular condition, the puzzle's pieces do not align perfectly due to the borders' gaps; in this situation, the patches' direct match is unfeasible due to the lack of color and line continuations. JiGAN, is a two-steps procedure that tackles this issue: first, we repair the eroded borders with a GAN-based image extension model and measure the alignment affinity between pieces; then, we solve the puzzle with the relaxation labeling algorithm to enforce consistency in pieces positioning, hence, reconstructing the puzzle. We test the method on a large dataset of small puzzles and on three commonly used benchmark datasets to demonstrate the feasibility of the proposed approach.
• Abstract（参考訳）: 本稿では,GAN を用いた Jigsaw パズル解法である JiGAN を提案する。 例えば、壊れたアーティファクトや破壊されたフレスコ画の復元を扱う場合、境界の欠如は一般的な現実の状況である。 この状況では、パズルのピースは境界の隙間のために完全には一致せず、この状況ではパッチの直接一致は、色と線継続の欠如のために実現不可能である。 まず、GANベースの画像拡張モデルを用いて浸食境界を修復し、ピース間のアライメント親和性を測定する。次に、緩和ラベルアルゴリズムを用いてパズルを解き、ピース位置の整合性を強制し、パズルを再構築する。 提案手法は,小さなパズルの大規模なデータセットと3つの一般的なベンチマークデータセットを用いて,提案手法の有効性を実証する。

関連論文リスト

• Nash Meets Wertheimer: Using Good Continuation in Jigsaw Puzzles [7.716132543734369]
  Jigsawパズルの解法は、高レベルの空間的および意味的推論を必要とするため、コンピュータビジョンにとって難しい課題である。 本稿では,従来の色や形状を意図的に無視するパズル解法を,新たな課題として導入する。 我々は、合成データと実世界のデータの両方に対するアプローチを評価し、最先端のアルゴリズムと比較する。
  論文  参考訳（メタデータ） (2024-10-22T09:46:09Z)
• Multi-Phase Relaxation Labeling for Square Jigsaw Puzzle Solving [73.58829980121767]
  本稿では,大域最適化に基づく二乗ジグソーパズルの解法を提案する。 この手法は完全に自動化されており、事前情報を前提とせず、未知または未知のピースオリエンテーションでパズルを扱うことができる。
  論文  参考訳（メタデータ） (2023-03-26T18:53:51Z)
• Parallax-Tolerant Unsupervised Deep Image Stitching [57.76737888499145]
  本稿では,パララックス耐性の非教師あり深層画像縫合技術であるUDIS++を提案する。 まず,グローバルなホモグラフィから局所的な薄板スプライン運動への画像登録をモデル化するための,頑健で柔軟なワープを提案する。 本研究では, 縫合された画像をシームレスに合成し, シーム駆動合成マスクの教師なし学習を行うことを提案する。
  論文  参考訳（メタデータ） (2023-02-16T10:40:55Z)
• Video Anomaly Detection by Solving Decoupled Spatio-Temporal Jigsaw Puzzles [67.39567701983357]
  ビデオ異常検出(VAD)はコンピュータビジョンにおいて重要なトピックである。 近年の自己教師型学習の進歩に触発された本論文は,直感的かつ難解なプレテキストタスクを解くことによって,VADに対処する。 提案手法は3つの公開ベンチマークにおいて最先端のベンチマークよりも優れている。
  論文  参考訳（メタデータ） (2022-07-20T19:49:32Z)
• GANzzle: Reframing jigsaw puzzle solving as a retrieval task using a generative mental image [15.132848477903314]
  すべての部品からメンタルなイメージを推測し、その部品を爆発を避けるためにマッチさせることができる。 本研究では,未整列片の集合が与えられた画像の再構成方法を学び,各部品の符号化を発電機の収穫層に整合させる共同埋め込み空間を学習する。 このような場合、我々のモデルはパズルのサイズに依存しないが、従来の1つの大きさの深層学習法とは対照的である。
  論文  参考訳（メタデータ） (2022-07-12T16:02:00Z)
• Deep Rectangling for Image Stitching: A Learning Baseline [57.76737888499145]
  我々は不規則な境界やシーンに大きな多様性を持つ最初の画像縫合整形データセットを構築した。 実験では、従来の方法よりも定量的にも質的にも優位性を示す。
  論文  参考訳（メタデータ） (2022-03-08T03:34:10Z)
• JigsawGAN: Self-supervised Learning for Solving Jigsaw Puzzles with Generative Adversarial Networks [31.190344964881625]
  本稿では,ジグソーパズルを解くためのGAN(Generative Adversarial Network)に基づく解を提案する。 提案手法は,セマンティクス情報とエッジ情報を同時に利用することにより,ジグソーパズルをより効率的に解くことができる。
  論文  参考訳（メタデータ） (2021-01-19T10:40:38Z)
• Non-Rigid Puzzles [50.213265511586535]
  非剛性多部形状マッチングアルゴリズムを提案する。 非剛性変形中の参照形状とその複数の部品が与えられると仮定する。 合成法と実走査法の実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-11-26T00:32:30Z)
• Recurrent Multi-view Alignment Network for Unsupervised Surface Registration [79.72086524370819]
  非厳格な登録をエンドツーエンドで学習することは、本質的に高い自由度とラベル付きトレーニングデータの欠如により困難である。 我々は、いくつかの剛性変換のポイントワイドな組み合わせで、非剛性変換を表現することを提案する。 また,投影された多視点2次元深度画像上での3次元形状の類似度を計測する可微分損失関数も導入する。
  論文  参考訳（メタデータ） (2020-11-24T14:22:42Z)
• Pictorial and apictorial polygonal jigsaw puzzles: The lazy caterer model, properties, and solvers [14.08706290287121]
  任意の直線切断数で大域多角形/像を切断して生成した一般凸多角形であるジグソーパズルを定式化する。 このようなパズルの理論的性質を解析し、ピースが幾何的ノイズで汚染されたときの解法に固有の課題を含む。
  論文  参考訳（メタデータ） (2020-08-17T22:07:40Z)
• Deepzzle: Solving Visual Jigsaw Puzzles with Deep Learning andShortest Path Optimization [30.43614740245788]
  フラグメント間の広い空間で画像再構成問題に取り組む。 フラグメントは、フラグメントの内容から学習するために、アルゴリズムを強制するために境界を二乗します。 再集合グラフにおける分岐切断の効果について検討する。
  論文  参考訳（メタデータ） (2020-05-26T07:19:54Z)

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。