論文の概要: Masked Face Inpainting Through Residual Attention UNet

• arxiv url: http://arxiv.org/abs/2209.08850v1
• Date: Mon, 19 Sep 2022 08:49:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-20 19:38:17.081066
• Title: Masked Face Inpainting Through Residual Attention UNet
• Title（参考訳）: 残留注意unetによるマスク面の塗り込み
• Authors: Md Imran Hosen and Md Baharul Islam
• Abstract要約: 本稿では,残像UNetを用いたブラインドマスク面塗装法を提案する。 残差ブロックは次の層に情報を供給し、2ホップ離れた層に直接入力し、消滅する勾配問題を解決する。 公開されているCelebAデータセットの実験は、提案モデルの有効性と堅牢性を示している。
• 参考スコア（独自算出の注目度）: 0.7868449549351486
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Realistic image restoration with high texture areas such as removing face masks is challenging. The state-of-the-art deep learning-based methods fail to guarantee high-fidelity, cause training instability due to vanishing gradient problems (e.g., weights are updated slightly in initial layers) and spatial information loss. They also depend on intermediary stage such as segmentation meaning require external mask. This paper proposes a blind mask face inpainting method using residual attention UNet to remove the face mask and restore the face with fine details while minimizing the gap with the ground truth face structure. A residual block feeds info to the next layer and directly into the layers about two hops away to solve the gradient vanishing problem. Besides, the attention unit helps the model focus on the relevant mask region, reducing resources and making the model faster. Extensive experiments on the publicly available CelebA dataset show the feasibility and robustness of our proposed model. Code is available at \url{https://github.com/mdhosen/Mask-Face-Inpainting-Using-Residual-Attention-Unet}
• Abstract（参考訳）: 顔マスクの取り外しなどの高テクスチャ領域によるリアルな画像復元は困難である。 最先端のディープラーニングベースの手法は、高度保証に失敗し、勾配問題(例えば、初期層で若干の重み付けが更新される)と空間的情報損失によるトレーニング不安定を引き起こす。 また、外部マスクを必要とするセグメンテーションのような中間段階にも依存する。 そこで本研究では, 残留注意unetを用いたブラインドマスク面の塗工法を提案する。 残留ブロックは次の層に情報を供給し、2ホップ離れた層に直接入力し、勾配の消滅問題を解決する。 さらに、アテンションユニットは、モデルが関連するマスク領域に集中し、リソースを削減し、モデルを高速化するのに役立つ。 CelebAデータセットの大規模な実験は、提案モデルの有効性と堅牢性を示している。 コードは \url{https://github.com/mdhosen/mask-face-inpainting-using-residual-attention-unet} で入手できる。

関連論文リスト

• Face Mask Removal with Region-attentive Face Inpainting [0.7433327915285965]
  本研究では,顔のマスク部分の復元・再構成を行う生成顔インペイント法を提案する。 提案手法は,空間情報損失を軽減するため,M-CSAM (M-scale Channel-Spatial Attention Module) を含む。 我々は、CelebAデータセットから5種類のマスクを組み込むことで、独自のMasked-Facesデータセットを合成する。
  論文  参考訳（メタデータ） (2024-09-10T20:10:11Z)
• CLR-Face: Conditional Latent Refinement for Blind Face Restoration Using Score-Based Diffusion Models [57.9771859175664]
  最近の生成優先法は、有望なブラインドフェイス修復性能を示している。 入力に忠実なきめ細かい顔の詳細を生成することは、依然として難しい問題である。 本稿では,VQGANアーキテクチャの内部に拡散型プライマーを導入し,非破壊な潜伏埋め込みにおける分布の学習に重点を置いている。
  論文  参考訳（メタデータ） (2024-02-08T23:51:49Z)
• Learning Representations for Masked Facial Recovery [8.124282476398843]
  近年のパンデミックは 公共の場で 防護マスクを着用している人が 劇的に増えています この問題に対処する1つの方法は、前処理のステップとして、フェイスリカバリメソッドに戻ることです。 マスクを被った同一人物の画像から顔画像の復元に特有な方法を提案する。
  論文  参考訳（メタデータ） (2022-12-28T22:22:15Z)
• Towards Improved Input Masking for Convolutional Neural Networks [66.99060157800403]
  層マスキングと呼ぶCNNのための新しいマスキング手法を提案する。 本手法は,マスク形状や色がモデル出力に与える影響を排除あるいは最小化することができることを示す。 また,マスクの形状がクラスに関する情報を漏洩させる可能性を示し,クラス関連特徴に対するモデル依存度の推定に影響を及ぼすことを示した。
  論文  参考訳（メタデータ） (2022-11-26T19:31:49Z)
• Shape-Aware Masking for Inpainting in Medical Imaging [49.61617087640379]
  インペイントは、教師なしの医用画像モデル発見のためのディープラーニング技術として成功している。 本稿では, 先行する統計的形状の学習を目的とした, 塗装用形状認識マスクの生成手法を提案する。 市販の塗装モデルとスーパーピクセルオーバーセグメンテーションアルゴリズムに基づく教師なしマスキング手法を提案する。
  論文  参考訳（メタデータ） (2022-07-12T18:35:17Z)
• Layered Depth Refinement with Mask Guidance [61.10654666344419]
  汎用マスクを用いてSIDEモデルの深度予測を洗練させるマスク誘導深度改善の新しい問題を定式化する。 本フレームワークは,奥行きマップをマスクと逆マスクで表される2つの別々の層に分解し,層状改質・塗装・塗装を行う。 本手法は,内面境界領域と外面境界領域の深度を正確に補正し,異なる種類のマスクや初期深度予測に対して堅牢であることを示す。
  論文  参考訳（メタデータ） (2022-06-07T06:42:44Z)
• A Unified Framework for Masked and Mask-Free Face Recognition via Feature Rectification [19.417191498842044]
  マスク付き顔とマスクなし顔の両方を識別するための統合フレームワークである顔特徴整形ネットワーク(FFR-Net)を提案する。 本研究では,最先端認識モデルにより抽出された特徴を,空間次元とチャネル次元の両方で整列するための整列ブロックを導入する。 実験により,我々のフレームワークは,マスク付き顔とマスクなし顔の両方を効果的に認識するための修正された特徴空間を学習できることが示されている。
  論文  参考訳（メタデータ） (2022-02-15T12:37:59Z)
• RePaint: Inpainting using Denoising Diffusion Probabilistic Models [161.74792336127345]
  Free-form Inpaintingは任意のバイナリマスクで指定された領域のイメージに新しいコンテンツを追加するタスクである。 RePaint: A Denoising Probabilistic Model (DDPM) を用いた塗装手法を提案する。 本手法は,標準的なマスクと極端マスクを用いて,顔と汎用画像の塗装の両面で検証する。
  論文  参考訳（メタデータ） (2022-01-24T18:40:15Z)
• Segmentation-Reconstruction-Guided Facial Image De-occlusion [48.952656891182826]
  隠蔽は野生の顔画像で非常に一般的であり、顔関連タスクの劣化パフォーマンスに繋がる。 本稿では,顔分割と3次元顔再構成に基づく新しい顔除去モデルを提案する。
  論文  参考訳（メタデータ） (2021-12-15T10:40:08Z)

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。