論文の概要: Iterative Geometry-Aware Cross Guidance Network for Stereo Image Inpainting

• arxiv url: http://arxiv.org/abs/2205.03825v2
• Date: Wed, 11 May 2022 03:22:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-05-12 18:47:39.145234
• Title: Iterative Geometry-Aware Cross Guidance Network for Stereo Image Inpainting
• Title（参考訳）: ステレオ画像インパインティングのための反復幾何認識クロスガイダンスネットワーク
• Authors: Ang Li, Shanshan Zhao, Qingjie Zhang, Qiuhong Ke
• Abstract要約: ステレオ画像に欠落した領域を塗布するための反復幾何対応クロスガイダンスネットワーク(IGGNet)を提案する。 IGGNetにはGeometry-Aware Attention (GAA)モジュールとIterative Cross Guidance (ICG)戦略が含まれている。 提案するネットワークは,最新のステレオ画像インペイントモデルと最先端の単一画像インペイントモデルより優れている。
• 参考スコア（独自算出の注目度）: 23.56949308737684
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Currently, single image inpainting has achieved promising results based on deep convolutional neural networks. However, inpainting on stereo images with missing regions has not been explored thoroughly, which is also a significant but different problem. One crucial requirement for stereo image inpainting is stereo consistency. To achieve it, we propose an Iterative Geometry-Aware Cross Guidance Network (IGGNet). The IGGNet contains two key ingredients, i.e., a Geometry-Aware Attention (GAA) module and an Iterative Cross Guidance (ICG) strategy. The GAA module relies on the epipolar geometry cues and learns the geometry-aware guidance from one view to another, which is beneficial to make the corresponding regions in two views consistent. However, learning guidance from co-existing missing regions is challenging. To address this issue, the ICG strategy is proposed, which can alternately narrow down the missing regions of the two views in an iterative manner. Experimental results demonstrate that our proposed network outperforms the latest stereo image inpainting model and state-of-the-art single image inpainting models.
• Abstract（参考訳）: 現在、単一の画像インパインティングは、深い畳み込みニューラルネットワークに基づく有望な結果を達成している。 しかし、欠落領域を持つステレオ画像のインペインティングは、十分に検討されていないため、重要ではあるが異なる問題である。 ステレオ画像インパインティングの重要な要件は、ステレオ一貫性である。 そこで我々は,IGGNet(Iterative Geometry-Aware Cross Guidance Network)を提案する。 IGGNetには、Geometry-Aware Attention (GAA)モジュールとIterative Cross Guidance (ICG)戦略という2つの重要な要素が含まれている。 GAAモジュールは、エピポーラ幾何学の手がかりに依存し、ある視点から別の視点への幾何学的ガイダンスを学ぶ。 しかし、既存の欠落領域からの学習指導は困難である。 この問題に対処するため、ICG戦略が提案され、2つのビューの欠落した領域を反復的に絞り込むことができる。 実験の結果,提案ネットワークは,最新のステレオイメージインペインティングモデルと最先端のシングルイメージインペインティングモデルよりも優れていることがわかった。

関連論文リスト

• Aerial Lifting: Neural Urban Semantic and Building Instance Lifting from Aerial Imagery [51.73680703579997]
  航空画像から都市規模のセマンティックスとビルレベルのインスタンスセグメンテーションのためのニューラルラジアンスフィールド法を提案する。 都市空撮画像の物体は、建物、車、道路など、相当な大きさのバリエーションを示している。 我々は,様々な大きさのオブジェクトのセグメンテーションを強化する,スケール適応型セマンティックラベル融合戦略を導入する。 次に、2次元のインスタンスラベルにおける多視点不整合問題を緩和するために、新しいクロスビューインスタンスラベルグループ化戦略を導入する。
  論文  参考訳（メタデータ） (2024-03-18T14:15:39Z)
• Efficient and Explicit Modelling of Image Hierarchies for Image Restoration [120.35246456398738]
  本研究では,画像復元のためのグローバル,地域,地域領域における画像階層を効率的に,かつ明示的にモデル化する機構を提案する。 そこで本研究では, 空間と時間的複雑性のバランスが良く, 固定されたストライプ自己注意を提案する。 そこで我々はGlobal, Regional, Local Rangeにおける画像階層を明示的にモデル化するGRLと呼ばれる新しいネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-03-01T18:59:29Z)
• Simple, Effective and General: A New Backbone for Cross-view Image Geo-localization [9.687328460113832]
  我々は、シンプルな注意に基づく画像ジオローカライゼーションネットワーク(SAIG)という新しいバックボーンネットワークを提案する。 提案したSAIGは、パッチ間の長距離相互作用と、マルチヘッド・セルフアテンション・レイヤとのクロスビュー対応を効果的に表現する。 我々のSAIGは、従来よりもはるかにシンプルでありながら、クロスビューなジオローカライゼーションにおける最先端の成果を達成している。
  論文  参考訳（メタデータ） (2023-02-03T06:50:51Z)
• GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
  本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。 本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。 提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-10-19T17:56:03Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Learning Hierarchical Graph Representation for Image Manipulation Detection [50.04902159383709]
  画像操作検出の目的は、画像内の操作された領域を特定し、特定することである。 最近のアプローチでは、画像に残っている改ざんするアーティファクトをキャプチャするために、洗練された畳み込みニューラルネットワーク(CNN)が採用されている。 本稿では2つの並列分岐からなる階層型グラフ畳み込みネットワーク(HGCN-Net)を提案する。
  論文  参考訳（メタデータ） (2022-01-15T01:54:25Z)
• Geometry-Aware Unsupervised Domain Adaptation for Stereo Matching [0.7233897166339268]
  立体クロスアテンション(SCA: Stereoscopic Cross Attention)と呼ばれる,左右の視点で特徴を集約する注意メカニズムを提案する。 SCAは、画像から画像への変換の過程でステレオ画像ペアの幾何学的構造を保存することができる。 SCAによる画像から画像への変換に基づく非監視領域適応の提案の有効性を実証的に実証する。
  論文  参考訳（メタデータ） (2021-03-26T08:53:36Z)
• Learning Geometry-Disentangled Representation for Complementary Understanding of 3D Object Point Cloud [50.56461318879761]
  3次元画像処理のためのGDANet(Geometry-Disentangled Attention Network)を提案する。 GDANetは、点雲を3Dオブジェクトの輪郭と平らな部分に切り離し、それぞれ鋭い変化成分と穏やかな変化成分で表される。 3Dオブジェクトの分類とセグメンテーションベンチマークの実験は、GDANetがより少ないパラメータで最先端の処理を実現していることを示している。
  論文  参考訳（メタデータ） (2020-12-20T13:35:00Z)
• Deep Generative Model for Image Inpainting with Local Binary Pattern Learning and Spatial Attention [28.807711307545112]
  本稿では,LBP学習ネットワークと実際の塗布ネットワークを組み合わせることで,エンド・ツー・エンドの2段階(粗い)生成モデルを提案する。 CelebA-HQ、Places、Paris StreetViewといった公開データセットの実験では、我々のモデルは最先端の競合するアルゴリズムよりも優れた塗装結果を生成する。
  論文  参考訳（メタデータ） (2020-09-02T12:59:28Z)
• An End-to-End Network for Co-Saliency Detection in One Single Image [47.35448093528382]
  単一の画像内の共分散検出は、まだ十分に対処されていない一般的な視覚問題である。 本研究では、バックボーンネットと2つの分岐ネットからなる新しいエンドツーエンドのトレーニングネットワークを提案する。 本研究では,2,019個の自然画像のデータセットを各画像に共分散して構築し,提案手法の評価を行う。
  論文  参考訳（メタデータ） (2019-10-25T16:00:44Z)

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。