論文の概要: Halftoning with Multi-Agent Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2207.11408v1
• Date: Sat, 23 Jul 2022 04:16:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-26 15:27:46.969975
• Title: Halftoning with Multi-Agent Deep Reinforcement Learning
• Title（参考訳）: マルチエージェント深層強化学習によるハーフトニング
• Authors: Haitian Jiang, Dongliang Xiong, Xiaowen Jiang, Aiguo Yin, Li Ding, Kai Huang
• Abstract要約: 本稿では,HALFTONERSと呼ばれるマルチエージェント深部強化学習に基づくハーフトニング手法を提案する。 実験により, ハーフトン法は比較的高速に維持しながら高品質なハーフトンを生成することがわかった。
• 参考スコア（独自算出の注目度）: 12.761919963695313
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks have recently succeeded in digital halftoning using vanilla convolutional layers with high parallelism. However, existing deep methods fail to generate halftones with a satisfying blue-noise property and require complex training schemes. In this paper, we propose a halftoning method based on multi-agent deep reinforcement learning, called HALFTONERS, which learns a shared policy to generate high-quality halftone images. Specifically, we view the decision of each binary pixel value as an action of a virtual agent, whose policy is trained by a low-variance policy gradient. Moreover, the blue-noise property is achieved by a novel anisotropy suppressing loss function. Experiments show that our halftoning method produces high-quality halftones while staying relatively fast.
• Abstract（参考訳）: ディープニューラルネットワークは最近、高並列性バニラ畳み込み層を用いたデジタルハーフトンニングに成功している。 しかし、既存のディープメソッドでは、青いノイズ特性を満足するハーフトーンの生成に失敗し、複雑なトレーニングスキームが必要となる。 本稿では,HALFTONERSと呼ばれるマルチエージェント深部強化学習に基づくハーフトニング手法を提案し,高品質なハーフトーン画像を生成するための共有ポリシを学習する。 具体的には、各バイナリピクセル値の決定を仮想エージェントのアクションとして捉え、そのポリシーは低分散ポリシー勾配によって訓練される。 さらに、新規な異方性抑制損失関数によりブルーノイズ特性を実現する。 実験の結果, ハーフトーン法は比較的高速で, 高品質なハーフトーンを生成することがわかった。

関連論文リスト

• Every Pixel Has its Moments: Ultra-High-Resolution Unpaired Image-to-Image Translation via Dense Normalization [4.349838917565205]
  画素レベルの統計モーメントを推定するために設計されたDense Normalization層を導入する。 このアプローチは、局所色と色調のコントラストを同時に保存しながら、ティリングアーティファクトを効果的に減少させる。 我々の研究は、未ペア画像から画像への翻訳の範囲内で任意の解像度の画像を扱うための将来の探索の道を開く。
  論文  参考訳（メタデータ） (2024-07-05T04:14:50Z)
• Taming Reversible Halftoning via Predictive Luminance [23.70396198330424]
  そこで本研究では,カラー画像を2進半音に変換するハーフトニング手法を提案する。 我々の新しいハーフトン技術は、2つの畳み込みニューラルネットワーク(CNN)から構成され、可逆的なハーフトンパターンを生成する。 提案手法では, ブルーノイズの品質と復元精度の相違に対処するため, 予測器組込み手法を提案する。
  論文  参考訳（メタデータ） (2023-06-14T07:27:06Z)
• Rethinking PRL: A Multiscale Progressively Residual Learning Network for Inverse Halftoning [3.632876183725243]
  逆ハーフトニングは古典的な画像復元作業であり、バイレベルピクセルのみでハーフトーン画像から連続トーン画像を復元することを目的としている。 本稿では,UNetアーキテクチャを持ち,マルチスケールな入力画像を取得する,エンドツーエンドのマルチスケール・残留学習ネットワーク(MSPRL)を提案する。
  論文  参考訳（メタデータ） (2023-05-27T03:37:33Z)
• Efficient Halftoning via Deep Reinforcement Learning [13.300716873418061]
  ハーフトニングは、2つの離散レベルに制限された画素で連続トーン画像を再現することを目的としている。 データ駆動方式による高速かつ構造を考慮したハーフトニング手法を提案する。 実験の結果,従来の構造認識手法よりも15倍高速な軽量CNNを効果的にトレーニングできることがわかった。
  論文  参考訳（メタデータ） (2023-04-24T15:03:37Z)
• Scaling Forward Gradient With Local Losses [117.22685584919756]
  フォワード学習は、ディープニューラルネットワークを学ぶためのバックプロップに代わる生物学的に妥当な代替手段である。 重みよりも活性化に摂動を適用することにより、前方勾配のばらつきを著しく低減できることを示す。 提案手法はMNIST と CIFAR-10 のバックプロップと一致し,ImageNet 上で提案したバックプロップフリーアルゴリズムよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2022-10-07T03:52:27Z)
• Online-updated High-order Collaborative Networks for Single Image Deraining [51.22694467126883]
  単一画像のデライン化は、ビデオ監視や自動運転システムなど、下流の人工知能アプリケーションにとって重要なタスクである。 マルチスケールのコンパクトな制約と双方向のスケール・コンテント類似性マイニングモジュールを備えた高階協調ネットワークを提案する。 提案手法は,5つの公開合成と1つの実世界のデータセットに対して,11の最先端手法に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-02-14T09:09:08Z)
• Gradient Step Denoiser for convergent Plug-and-Play [5.629161809575015]
  プラグイン・アンド・プレイの手法は、様々な画像問題に対して大きな視覚的パフォーマンスをもたらす可能性がある。 半四進法に基づく新しいタイプのPlug-and-Play法を提案する。 実験により、パフォーマンスを損なうことなく、そのような深い嫌悪者を学ぶことが可能であることが示されている。
  論文  参考訳（メタデータ） (2021-10-07T07:11:48Z)
• Towards Unpaired Depth Enhancement and Super-Resolution in the Wild [121.96527719530305]
  最先端のデータ駆動による深度マップの超解像法は、同じシーンの低解像度と高解像度の深度マップの登録ペアに依存している。 未経験データからの学習に基づく深度マップの強化について考察する。
  論文  参考訳（メタデータ） (2021-05-25T16:19:16Z)
• Degrade is Upgrade: Learning Degradation for Low-light Image Enhancement [52.49231695707198]
  2段階の工程で細部と色を精錬しながら、内在的な劣化と低照度画像を照らし出す。 カラー画像の定式化に触発されて,まず低照度入力からの劣化を推定し,環境照明色の歪みをシミュレーションし,そのコンテンツを精錬して拡散照明色の損失を回復した。 LOL1000データセットではPSNRで0.95dB、ExDarkデータセットでは3.18%のmAPでSOTAを上回った。
  論文  参考訳（メタデータ） (2021-03-19T04:00:27Z)
• Learning Spatial and Spatio-Temporal Pixel Aggregations for Image and Video Denoising [104.59305271099967]
  ピクセル集計ネットワークを提示し、画像デノイジングのためのピクセルサンプリングと平均戦略を学びます。 時間空間にまたがるサンプル画素をビデオデノナイズするための画素集約ネットワークを開発した。 本手法は,動的シーンにおける大きな動きに起因する誤認問題を解決することができる。
  論文  参考訳（メタデータ） (2021-01-26T13:00:46Z)
• Forgetful Experience Replay in Hierarchical Reinforcement Learning from Demonstrations [55.41644538483948]
  本稿では,複雑な視覚環境において,エージェントが低品質な実演を行えるようにするためのアプローチの組み合わせを提案する。 提案した目標指向のリプレイバッファ構築により,エージェントはデモにおいて複雑な階層的タスクを解くためのサブゴールを自動的に強調することができる。 私たちのアルゴリズムに基づくこのソリューションは、有名なMineRLコンペティションのすべてのソリューションを破り、エージェントがMinecraft環境でダイヤモンドをマイニングすることを可能にする。
  論文  参考訳（メタデータ） (2020-06-17T15:38:40Z)

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。