論文の概要: DAM-GAN : Image Inpainting using Dynamic Attention Map based on Fake Texture Detection

• arxiv url: http://arxiv.org/abs/2204.09442v1
• Date: Wed, 20 Apr 2022 13:15:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-21 17:47:14.594638
• Title: DAM-GAN : Image Inpainting using Dynamic Attention Map based on Fake Texture Detection
• Title（参考訳）: DAM-GAN : フェイクテクスチャ検出に基づくダイナミックアテンションマップを用いた画像インペインティング
• Authors: Dongmin Cha, Daijin Kim
• Abstract要約: ダイナミックアテンションマップ(DAM-GAN)を用いたGANモデルを提案する。 提案するDAM-GANは,ジェネレータの特徴マップから画素不整合を減少させるために,偽テクスチャの検出と動的注意マップの製品化に重点を置いている。 CelebA-HQとPlaces2データセットの評価結果は,ネットワークの優位性を示している。
• 参考スコア（独自算出の注目度）: 6.872690425240007
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep neural advancements have recently brought remarkable image synthesis performance to the field of image inpainting. The adaptation of generative adversarial networks (GAN) in particular has accelerated significant progress in high-quality image reconstruction. However, although many notable GAN-based networks have been proposed for image inpainting, still pixel artifacts or color inconsistency occur in synthesized images during the generation process, which are usually called fake textures. To reduce pixel inconsistency disorder resulted from fake textures, we introduce a GAN-based model using dynamic attention map (DAM-GAN). Our proposed DAM-GAN concentrates on detecting fake texture and products dynamic attention maps to diminish pixel inconsistency from the feature maps in the generator. Evaluation results on CelebA-HQ and Places2 datasets with other image inpainting approaches show the superiority of our network.
• Abstract（参考訳）: 深層ニューラルネットワークの進歩により、画像インペインティングの分野では、画像合成性能が著しく向上した。 特にgan(generative adversarial networks)の適応は、高品質な画像再構成の著しい進歩を加速させた。 しかし、画像インペインティングのために多くのganベースのネットワークが提案されているが、生成過程中に合成画像にまだピクセルアーティファクトや色不整合が生じ、通常は偽テクスチャと呼ばれる。 偽テクスチャによる画素不整合性障害を低減するため,ダイナミックアテンションマップ(DAM-GAN)を用いたGANモデルを提案する。 提案するDAM-GANは,ジェネレータの特徴マップから画素不整合を減少させるために,偽テクスチャの検出と動的注意マップの製品化に重点を置いている。 CelebA-HQとPlaces2データセットの評価結果は,ネットワークの優位性を示している。

関連論文リスト

• Rethinking the Up-Sampling Operations in CNN-based Generative Network for Generalizable Deepfake Detection [86.97062579515833]
  我々は、アップサンプリング操作から生じる一般化された構造的アーティファクトをキャプチャし、特徴付ける手段として、NPR(Neighboring Pixel Relationships)の概念を紹介した。 tft28の異なる生成モデルによって生成されたサンプルを含む、オープンワールドデータセット上で包括的な分析を行う。 この分析は、新しい最先端のパフォーマンスを確立し、既存の手法よりも優れたtft11.6%の向上を示している。
  論文  参考訳（メタデータ） (2023-12-16T14:27:06Z)
• Image Deblurring using GAN [0.0]
  本研究は,GAN(Generative Adversarial Network)の画像処理への応用に焦点を当てた。 プロジェクトはGANモデルのインフローを定義し、GoPROデータセットでトレーニングする。 ネットワークは画像のシャープなピクセルを取得でき、平均29.3ピーク信号対雑音比(PSNR)と0.72構造類似度評価(SSIM)を実現している。
  論文  参考訳（メタデータ） (2023-12-15T02:43:30Z)
• Parents and Children: Distinguishing Multimodal DeepFakes from Natural Images [60.34381768479834]
  近年の拡散モデルの発展により、自然言語のテキストプロンプトから現実的なディープフェイクの生成が可能になった。 我々は、最先端拡散モデルにより生成されたディープフェイク検出に関する体系的研究を開拓した。
  論文  参考訳（メタデータ） (2023-04-02T10:25:09Z)
• Joint Learning of Deep Texture and High-Frequency Features for Computer-Generated Image Detection [24.098604827919203]
  本稿では,CG画像検出のための深いテクスチャと高周波特徴を有する共同学習戦略を提案する。 セマンティックセグメンテーションマップを生成して、アフィン変換操作を誘導する。 原画像と原画像の高周波成分の組み合わせを、注意機構を備えたマルチブランチニューラルネットワークに供給する。
  論文  参考訳（メタデータ） (2022-09-07T17:30:40Z)
• ReGO: Reference-Guided Outpainting for Scenery Image [82.21559299694555]
  生成的敵対学習は、与えられた画像に対して意味的一貫したコンテンツを生成することによって、画像の画質を向上した。 本研究は, 近隣の画素を借用することにより, テクスチャに富んだ結果を合成する原理について検討する。 生成した部品のスタイルが参照画像の影響を受けないようにするために,ReGOを増強し,スタイル一貫性のある結果を合成するスタイルランキングの損失が提案されている。
  論文  参考訳（メタデータ） (2021-06-20T02:34:55Z)
• Ensembling with Deep Generative Views [72.70801582346344]
  生成モデルは、色やポーズの変化などの現実世界の変動を模倣する人工画像の「ビュー」を合成することができる。 そこで本研究では, 画像分類などの下流解析作業において, 実画像に適用できるかどうかを検討する。 StyleGAN2を再生増強の源として使用し、顔の属性、猫の顔、車を含む分類タスクについてこの設定を調査します。
  論文  参考訳（メタデータ） (2021-04-29T17:58:35Z)
• Neural Re-Rendering of Humans from a Single Image [80.53438609047896]
  本稿では,新しいユーザ定義のポーズと視点の下での人間のニューラルリレンダリング手法を提案する。 私たちのアルゴリズムは、単一の画像から再構築できるパラメトリックメッシュとして体ポーズと形状を表します。
  論文  参考訳（メタデータ） (2021-01-11T18:53:47Z)
• Texture Transform Attention for Realistic Image Inpainting [6.275013056564918]
  本研究では,細心の注意を払って絵を描いていない領域をより良く生成するテクスチャトランスフォーメーション・アテンション・ネットワークを提案する。 Texture Transform Attentionは、細かいテクスチャと粗いセマンティクスを使用して、新しい再組み立てテクスチャマップを作成するために使用されます。 我々は,公開データセット celeba-hq と places2 を用いて,エンドツーエンドでモデルを評価する。
  論文  参考訳（メタデータ） (2020-12-08T06:28:51Z)
• 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)
• Leveraging Frequency Analysis for Deep Fake Image Recognition [35.1862941141084]
  ディープニューラルネットワークは驚くべきほどリアルな画像を生成することができるため、人間が実際の写真と区別するのはしばしば困難である。 これらの成果は主にGAN(Generative Adversarial Networks)によって実現されている。 本稿では、周波数空間において、GAN生成した画像は、容易に識別できる重いアーティファクトを示すことを示す。
  論文  参考訳（メタデータ） (2020-03-19T11:06:54Z)

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。