論文の概要: RCRN: Real-world Character Image Restoration Network via Skeleton Extraction

• arxiv url: http://arxiv.org/abs/2207.07795v1
• Date: Sat, 16 Jul 2022 01:02:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-19 16:12:01.701109
• Title: RCRN: Real-world Character Image Restoration Network via Skeleton Extraction
• Title（参考訳）: RCRN:スケルトン抽出による実世界キャラクタ画像復元ネットワーク
• Authors: Daqian Shi, Xiaolei Diao, Hao Tang, Xiaomin Li, Hao Xing, Hao Xu
• Abstract要約: 提案手法は, 骨格抽出器 (SENet) と文字画像復元器 (CiRNet) から構成される。 実世界の文字画像復元のためのベンチマークの欠如により,実世界の劣化を伴う1,606文字画像を含むデータセットを構築した。 実験の結果,RCRNは最先端の手法よりも定量的に,質的に優れていた。
• 参考スコア（独自算出の注目度）: 12.844122959549752
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Constructing high-quality character image datasets is challenging because real-world images are often affected by image degradation. There are limitations when applying current image restoration methods to such real-world character images, since (i) the categories of noise in character images are different from those in general images; (ii) real-world character images usually contain more complex image degradation, e.g., mixed noise at different noise levels. To address these problems, we propose a real-world character restoration network (RCRN) to effectively restore degraded character images, where character skeleton information and scale-ensemble feature extraction are utilized to obtain better restoration performance. The proposed method consists of a skeleton extractor (SENet) and a character image restorer (CiRNet). SENet aims to preserve the structural consistency of the character and normalize complex noise. Then, CiRNet reconstructs clean images from degraded character images and their skeletons. Due to the lack of benchmarks for real-world character image restoration, we constructed a dataset containing 1,606 character images with real-world degradation to evaluate the validity of the proposed method. The experimental results demonstrate that RCRN outperforms state-of-the-art methods quantitatively and qualitatively.
• Abstract（参考訳）: 実世界の画像はしばしば画像劣化によって影響を受けるため、高品質な文字画像データセットの構築は困難である。 現実の文字画像に現在の画像復元法を適用する場合、それ以来制限がある。 (i)文字画像におけるノイズのカテゴリは、一般画像のものとは異なる。 (ii)実世界の文字画像は通常、より複雑な画像劣化、例えば異なる雑音レベルの混合雑音を含む。 これらの問題に対処するために,文字スケルトン情報とスケールアンサンブル特徴抽出を利用して,劣化した文字画像を効果的に復元する実世界の文字復元ネットワーク(RCRN)を提案する。 提案手法は, 骨格抽出器 (SENet) と文字画像復元器 (CiRNet) から構成される。 SENetは文字の構造的一貫性を維持し、複雑なノイズを正規化する。 そして、CiRNetは劣化した文字画像とその骨格からクリーンなイメージを再構築する。 実世界の文字画像復元のためのベンチマークの欠如により,提案手法の有効性を評価するために,実世界の劣化を伴う1,606文字画像を含むデータセットを構築した。 実験の結果,RCRNは最先端の手法よりも定量的に,質的に優れていた。

関連論文リスト

• Photo-Realistic Image Restoration in the Wild with Controlled Vision-Language Models [14.25759541950917]
  この研究は、能動的視覚言語モデルと合成分解パイプラインを活用して、野生(ワイルドIR)における画像復元を学習する。 我々の基底拡散モデルは画像復元SDE(IR-SDE)である。
  論文  参考訳（メタデータ） (2024-04-15T12:34:21Z)
• InstructIR: High-Quality Image Restoration Following Human Instructions [61.1546287323136]
  本稿では,人間の手書きによる画像復元モデルを導出する手法を提案する。 InstructIRという手法は、いくつかの修復作業において最先端の結果を得る。
  論文  参考訳（メタデータ） (2024-01-29T18:53:33Z)
• ENTED: Enhanced Neural Texture Extraction and Distribution for Reference-based Blind Face Restoration [51.205673783866146]
  我々は,高品質でリアルな肖像画を復元することを目的とした,ブラインドフェイス修復のための新しいフレームワークであるENTEDを提案する。 劣化した入力画像と参照画像の間で高品質なテクスチャ特徴を伝達するために,テクスチャ抽出と分布の枠組みを利用する。 われわれのフレームワークにおけるStyleGANのようなアーキテクチャは、現実的な画像を生成するために高品質な潜伏符号を必要とする。
  論文  参考訳（メタデータ） (2024-01-13T04:54:59Z)
• All-in-one Multi-degradation Image Restoration Network via Hierarchical Degradation Representation [47.00239809958627]
  我々は新しいオールインワン・マルチデグレーション画像復元ネットワーク(AMIRNet)を提案する。 AMIRNetは、クラスタリングによって木構造を段階的に構築することで、未知の劣化画像の劣化表現を学習する。 この木構造表現は、様々な歪みの一貫性と不一致を明示的に反映しており、画像復元の具体的な手がかりとなっている。
  論文  参考訳（メタデータ） (2023-08-06T04:51:41Z)
• PromptIR: Prompting for All-in-One Blind Image Restoration [64.02374293256001]
  我々は、オールインワン画像復元のためのプロンプトIR(PromptIR)を提案する。 本手法では, 劣化特異的情報をエンコードするプロンプトを用いて, 復元ネットワークを動的に案内する。 PromptIRは、軽量なプロンプトがほとんどない汎用的で効率的なプラグインモジュールを提供する。
  論文  参考訳（メタデータ） (2023-06-22T17:59:52Z)
• From Face to Natural Image: Learning Real Degradation for Blind Image Super-Resolution [72.68156760273578]
  実世界の低品質(LQ)画像の超解像のためのトレーニングペアを設計する。 我々は、劣化認識とコンテンツ非依存の表現を明示的に予測するために、HQとLQの顔画像のペアを入力とする。 次に、これらの実際の劣化表現を顔から自然画像に転送し、劣化したLQ自然画像を合成する。
  論文  参考訳（メタデータ） (2022-10-03T08:09:21Z)
• Sequential image recovery using joint hierarchical Bayesian learning [6.881629943427059]
  本稿では,階層型ベイズ学習に基づく連続画像の連成復元手法を提案する。 本手法は,他の画像から「ボーリング」することで,各画像の欠落情報を復元する。 いくつかの予備的な結果は、シーケンシャルデブロアリングと磁気共鳴イメージングにその可能性を示している。
  論文  参考訳（メタデータ） (2022-06-25T22:31:32Z)
• Extremely Low-light Image Enhancement with Scene Text Restoration [29.08094129045479]
  シーンテキストを正確に復元する新しい画像強調フレームワークを提案する。 我々は,自己調整型アテンションマップ,エッジマップ,新たなテキスト検出損失を用いる。 提案手法は,画像復元,テキスト検出,テキストスポッティングにおいて,最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-04-01T16:10:14Z)
• Learning Conditional Knowledge Distillation for Degraded-Reference Image Quality Assessment [157.1292674649519]
  劣化参照IQA(DR-IQA)という実用的な解を提案する。 DR-IQAはIRモデルの入力、劣化したイメージを参照として利用する。 私たちの結果は、フル参照設定のパフォーマンスに近いものもあります。
  論文  参考訳（メタデータ） (2021-08-18T02:35:08Z)

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。