論文の概要: Patch-wise Contrastive Style Learning for Instagram Filter Removal

• arxiv url: http://arxiv.org/abs/2204.07486v1
• Date: Fri, 15 Apr 2022 14:38:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-18 11:54:12.257715
• Title: Patch-wise Contrastive Style Learning for Instagram Filter Removal
• Title（参考訳）: Instagramフィルタ除去のためのパッチワイドコントラスト学習
• Authors: Furkan K{\i}nl{\i}, Bar{\i}\c{s} \"Ozcan, Furkan K{\i}ra\c{c}
• Abstract要約: ソーシャルメディアフィルターは、現実世界のビジュアル分析アプリケーションにおいて、様々な汚職や摂動の最も一般的なリソースの1つである。 Contrastive Instagram Filter removed Network (CIFR)を導入し、新しいマルチレイヤパッチワイドコントラスト学習機構を用いることで、Instagramフィルタ除去のこの考え方を強化する。
• 参考スコア（独自算出の注目度）: 3.867363075280544
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Image-level corruptions and perturbations degrade the performance of CNNs on different downstream vision tasks. Social media filters are one of the most common resources of various corruptions and perturbations for real-world visual analysis applications. The negative effects of these distractive factors can be alleviated by recovering the original images with their pure style for the inference of the downstream vision tasks. Assuming these filters substantially inject a piece of additional style information to the social media images, we can formulate the problem of recovering the original versions as a reverse style transfer problem. We introduce Contrastive Instagram Filter Removal Network (CIFR), which enhances this idea for Instagram filter removal by employing a novel multi-layer patch-wise contrastive style learning mechanism. Experiments show our proposed strategy produces better qualitative and quantitative results than the previous studies. Moreover, we present the results of our additional experiments for proposed architecture within different settings. Finally, we present the inference outputs and quantitative comparison of filtered and recovered images on localization and segmentation tasks to encourage the main motivation for this problem.
• Abstract（参考訳）: 画像レベルの腐敗と摂動は、異なる下流視覚タスクにおけるCNNのパフォーマンスを低下させる。 ソーシャルメディアフィルターは、現実世界のビジュアル分析アプリケーションにおける様々な腐敗や混乱の最も一般的なリソースの1つである。 これらの散逸要因の負の効果は、下流視覚タスクの推測のために、元のイメージを純粋なスタイルで復元することで緩和することができる。 これらのフィルタがソーシャルメディア画像に付加的なスタイル情報を実質的に注入すると、元のバージョンを逆のスタイル転送問題として復元する問題を定式化できる。 Contrastive Instagram Filter removed Network (CIFR)を導入し、新しいマルチレイヤパッチワイドコントラスト学習機構を用いることで、Instagramフィルタ除去のこの考え方を強化する。 実験により,提案手法は従来の研究よりも質的かつ定量的な結果をもたらすことが示された。 さらに,提案するアーキテクチャを異なる設定で追加実験した結果について報告する。 最後に,本問題の主な動機となる局所化課題と分割課題について,フィルタ画像と復元画像の推測出力と定量的比較を行った。

関連論文リスト

• Catch-Up Mix: Catch-Up Class for Struggling Filters in CNN [15.3232203753165]
  ディープラーニングモデルは、しばしば複雑さと過度な適合に関する課題に直面します。 注目すべき懸念の1つは、このモデルは予測を行うためのフィルターの限られたサブセットに大きく依存することが多いことである。 そこで本研究では,Catch-up Mixと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-01-24T02:42:50Z)
• AIM 2022 Challenge on Instagram Filter Removal: Methods and Results [66.98814754338841]
  本稿では,Instagramフィルタ除去におけるAIM 2022チャレンジの方法と結果を紹介する。 この課題の主な目的は、コンテンツを保存する際に適用されたフィルタの影響を緩和する、現実的で視覚的に可視な画像を作ることである。 ベースラインとしてこのタスクに関する2つの先行研究があり、チャレンジの最終段階では合計9つのチームが競い合っています。
  論文  参考訳（メタデータ） (2022-10-17T12:21:59Z)
• Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
  エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
  論文  参考訳（メタデータ） (2022-06-07T14:55:32Z)
• Deep Image Deblurring: A Survey [165.32391279761006]
  低レベルのコンピュータビジョンにおいて、デブロアリングは古典的な問題であり、ぼやけた入力画像からシャープなイメージを復元することを目的としている。 近年のディープラーニングの進歩は、この問題の解決に大きな進歩をもたらした。
  論文  参考訳（メタデータ） (2022-01-26T01:31:30Z)
• Instagram Filter Removal on Fashionable Images [2.1485350418225244]
  ソーシャルメディア分析アプリケーションにおける画像フィルタの効果を軽減するため,Instagramフィルタ除去ネットワーク(IFRNet)を導入する。 IFRNetは、定量的および定性的な比較においてすべての比較方法を上回ることを実証する。 本研究では,提案モデルのフィルタ分類性能を提示し,比較手法によってフィルタされていない画像の優性色推定を解析する。
  論文  参考訳（メタデータ） (2021-04-11T18:44:43Z)
• Image Restoration by Deep Projected GSURE [115.57142046076164]
  Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。 本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-04T08:52:46Z)
• Recognizing Instagram Filtered Images with Feature De-stylization [81.38905784617089]
  本稿では,Instagramのフィルターによって,事前学習モデルがどのような影響を受けているかについて検討する。 画像のグローバルな外観を変えるだけの単純な構造保存フィルタは、畳み込み特徴空間に大きな違いをもたらす可能性が示唆された。 我々は,特徴マップのスケーリングとシフトに使用されるパラメータを予測し,フィルタによって引き起こされる変化を“無視”する,軽量なデスティル化モジュールを導入する。
  論文  参考訳（メタデータ） (2019-12-30T16:48:16Z)
• Single image reflection removal via learning with multi-image constraints [50.54095311597466]
  本稿では、上記のアプローチの利点を組み合わせ、その欠点を克服する新しい学習ベースソリューションを提案する。 提案アルゴリズムはディープニューラルネットワークを学習して、複数の入力画像間で強化されたジョイント制約でターゲットを最適化する。 我々のアルゴリズムは実画像上でリアルタイムかつ最先端の反射除去性能で動作する。
  論文  参考訳（メタデータ） (2019-12-08T06:10:49Z)

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。