論文の概要: An Analysis of Generative Methods for Multiple Image Inpainting
- arxiv url: http://arxiv.org/abs/2205.02146v1
- Date: Wed, 4 May 2022 15:54:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-05 14:51:59.302708
- Title: An Analysis of Generative Methods for Multiple Image Inpainting
- Title（参考訳）: 多重画像インパインティングのための生成法の解析
- Authors: Coloma Ballester, Aurelie Bugeau, Samuel Hurault, Simone Parisotto,
Patricia Vitoria
- Abstract要約: 塗り絵は、観察者が検出できない方法で、欠落した領域のイメージを復元することを指す。
我々は,多彩なインペイントのための学習に基づく画像補完手法に着目する。
- 参考スコア（独自算出の注目度）: 4.234843176066354
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image inpainting refers to the restoration of an image with missing regions
in a way that is not detectable by the observer. The inpainting regions can be
of any size and shape. This is an ill-posed inverse problem that does not have
a unique solution. In this work, we focus on learning-based image completion
methods for multiple and diverse inpainting which goal is to provide a set of
distinct solutions for a given damaged image. These methods capitalize on the
probabilistic nature of certain generative models to sample various solutions
that coherently restore the missing content. Along the chapter, we will analyze
the underlying theory and analyze the recent proposals for multiple inpainting.
To investigate the pros and cons of each method, we present quantitative and
qualitative comparisons, on common datasets, regarding both the quality and the
diversity of the set of inpainted solutions. Our analysis allows us to identify
the most successful generative strategies in both inpainting quality and
inpainting diversity. This task is closely related to the learning of an
accurate probability distribution of images. Depending on the dataset in use,
the challenges that entail the training of such a model will be discussed
through the analysis.
- Abstract（参考訳）: イメージ・インペインティング(image inpainting)とは、オブザーバが検出できない方法で、欠落領域を持つイメージを復元することを指す。
塗装領域はどんな大きさでも形状でもよい。
これは、ユニークな解を持たない不測の逆問題である。
本研究では,損傷した画像に対して,複数の多彩な塗装を行うための学習に基づく画像補完手法に焦点をあてる。
これらの手法は、特定の生成モデルの確率的性質を利用して、欠落したコンテンツをコヒーレントに復元する様々な解をサンプリングする。
本章では、基礎となる理論を分析し、最近の複数のインパインティングの提案を分析する。
そこで,各手法の長所と短所を検討するために,共通データセットについて,塗装解の集合の品質と多様性について定量的・定性的に比較する。
我々の分析は、品質と多様性の両面において、最も成功した生成戦略を特定することができる。
この課題は、画像の正確な確率分布の学習と密接に関連している。
使用するデータセットによっては、これらのモデルのトレーニングを伴う課題は分析を通じて議論される。
関連論文リスト
- Trustworthy SR: Resolving Ambiguity in Image Super-resolution via
Diffusion Models and Human Feedback [5.665865832321032]
超解像(英: Super- resolution, SR)は、与えられた低分解能画像と整合した大量の実現可能な解を持つ不測の逆問題である。
そこで我々は,被験者に少数のサンプルを選定するよう依頼し,選択したサンプルの平均をアンサンブルする。
提案手法は,最先端のSR手法と比較して信頼性の高いソリューションを提供する。
論文 参考訳（メタデータ） (2024-02-12T11:55:02Z) - Learning from small data sets: Patch-based regularizers in inverse
problems for image reconstruction [1.1650821883155187]
機械学習の最近の進歩は、ネットワークを訓練するために大量のデータとコンピュータ能力を必要とする。
本稿は,ごく少数の画像のパッチを考慮に入れることで,小さなデータセットから学習する問題に対処する。
本稿では,Langevin Monte Carlo法を用いて後部を近似することにより,不確実な定量化を実現する方法を示す。
論文 参考訳（メタデータ） (2023-12-27T15:30:05Z) - GRIG: Few-Shot Generative Residual Image Inpainting [27.252855062283825]
そこで本研究では,高画質な残像塗装法を新たに提案する。
中心となる考え方は、特徴抽出のために畳み込みニューラルネットワーク(CNN)を組み込んだ反復的残留推論手法を提案することである。
また, 忠実なテクスチャと詳細な外観を創出するための, フォージェリーパッチ対逆訓練戦略を提案する。
論文 参考訳（メタデータ） (2023-04-24T12:19:06Z) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-11-14T18:16:36Z) - Pluralistic Image Completion with Probabilistic Mixture-of-Experts [58.81469985455467]
本稿では,画像補完における複雑な相互作用を表す統一確率グラフモデルを提案する。
画像補完の手順全体を数学的にいくつかのサブプロデューサに分割し、制約の効率的な適用を支援する。
GMMの固有のパラメータはタスク関連であり、トレーニング中に適応的に最適化され、プリミティブの数は、結果の多様性を便利に制御できる。
論文 参考訳（メタデータ） (2022-05-18T17:24:21Z) - Mining the manifolds of deep generative models for multiple
data-consistent solutions of ill-posed tomographic imaging problems [10.115302976900445]
断層撮影は一般的に逆問題である。
本稿では,トモグラフィ逆問題に対する複数の解を求める経験的サンプリング手法を提案する。
論文 参考訳（メタデータ） (2022-02-10T20:27:31Z) - Generative Probabilistic Image Colorization [2.110198946293069]
本稿では,音の劣化の各ステップを逆転させる確率モデル列を訓練する拡散型生成法を提案する。
入力として線引き画像が与えられた場合、本手法は複数の候補色付き画像を提案する。
提案手法は,色条件の画像生成タスクだけでなく,実用的な画像補完や塗装タスクにも有効である。
論文 参考訳（メタデータ） (2021-09-29T16:10:12Z) - A Hierarchical Transformation-Discriminating Generative Model for Few
Shot Anomaly Detection [93.38607559281601]
各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。
この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
論文 参考訳（メタデータ） (2021-04-29T17:49:48Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳（メタデータ） (2021-01-12T23:02:26Z) - Invertible Image Rescaling [118.2653765756915]
Invertible Rescaling Net (IRN) を開発した。
我々は、ダウンスケーリングプロセスにおいて、指定された分布に従う潜在変数を用いて、失われた情報の分布をキャプチャする。
論文 参考訳（メタデータ） (2020-05-12T09:55:53Z) - Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。
ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。
提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
論文 参考訳（メタデータ） (2020-03-15T11:04:30Z)
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。