Fugu-MT 論文翻訳(概要): Realistic Hair Synthesis with Generative Adversarial Networks

論文の概要: Realistic Hair Synthesis with Generative Adversarial Networks

arxiv url: http://arxiv.org/abs/2209.12875v1
Date: Tue, 13 Sep 2022 11:48:26 GMT
ステータス: 処理完了
システム内更新日: 2022-10-02 23:50:32.366434
Title: Realistic Hair Synthesis with Generative Adversarial Networks
Title（参考訳）: 生成逆ネットワークを用いた現実的毛髪合成
Authors: Muhammed Pektas, Aybars Ugur
Abstract要約: 本論文では、毛髪合成問題を解決するために、生成逆ネットワーク法を提案する。本手法は,本手法を開発しながら,文献の最良の手法と競合する視覚的出力を達成しつつ,リアルタイムのヘアシンセサイザーを実現することを目的としている。
参考スコア（独自算出の注目度）: 1.8275108630751844
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent successes in generative modeling have accelerated studies on this subject and attracted the attention of researchers. One of the most important methods used to achieve this success is Generative Adversarial Networks (GANs). It has many application areas such as; virtual reality (VR), augmented reality (AR), super resolution, image enhancement. Despite the recent advances in hair synthesis and style transfer using deep learning and generative modelling, due to the complex nature of hair still contains unsolved challenges. The methods proposed in the literature to solve this problem generally focus on making high-quality hair edits on images. In this thesis, a generative adversarial network method is proposed to solve the hair synthesis problem. While developing this method, it is aimed to achieve real-time hair synthesis while achieving visual outputs that compete with the best methods in the literature. The proposed method was trained with the FFHQ dataset and then its results in hair style transfer and hair reconstruction tasks were evaluated. The results obtained in these tasks and the operating time of the method were compared with MichiGAN, one of the best methods in the literature. The comparison was made at a resolution of 128x128. As a result of the comparison, it has been shown that the proposed method achieves competitive results with MichiGAN in terms of realistic hair synthesis, and performs better in terms of operating time.
Abstract（参考訳）: 最近の生成モデルの成功は、この主題の研究を加速させ、研究者の注目を集めている。この成功のために使われる最も重要な手法の1つはジェネレーティブ・アドバイサル・ネットワーク(GAN)である。仮想現実(VR)、拡張現実(AR)、超解像度、画像強調など、多くの応用分野がある。深層学習と生成モデルを用いたヘアシンセシスとスタイルトランスファーの最近の進歩にもかかわらず、髪の複雑な性質は未解決の課題を含んでいる。この問題を解決するために文献に提案されている手法は、画像に高品質のヘアエディットを作ることに重点を置いている。本論文では, 毛髪合成問題を解決するために, 生成的逆ネットワーク法を提案する。本手法は,本手法を開発しながら,文献の最良の手法と競合する視覚的出力を達成しつつ,リアルタイムの毛髪合成を実現することを目的としている。提案手法はFFHQデータセットを用いて訓練し,髪型移行と髪型再構成作業の結果を評価した。これらの課題から得られた結果と手法の運用時期を,文献上で最良の手法であるミシガンと比較した。比較は128x128の解像度で行われた。その結果,提案手法はリアルなヘアシンセシスの観点からみればMichigaNと競合する結果が得られ,操作時間の面でも良好な結果が得られた。

関連論文リスト

Degradation-Guided One-Step Image Super-Resolution with Diffusion Priors [75.24313405671433]
拡散に基づく画像超解像法 (SR) は、事前訓練された大規模なテキスト・画像拡散モデルを先行として活用することにより、顕著な成功を収めた。本稿では,拡散型SR手法の効率問題に対処する新しい一段階SRモデルを提案する。既存の微調整戦略とは異なり、SR専用の劣化誘導低ランク適応 (LoRA) モジュールを設計した。
論文参考訳（メタデータ） (2024-09-25T16:15:21Z)
HairFastGAN: Realistic and Robust Hair Transfer with a Fast Encoder-Based Approach [3.737361598712633]
本稿では,高分解能,ほぼリアルタイムの性能,再現性に優れたHairFastモデルを提案する。我々のソリューションは、StyleGANのFS潜在空間で動作する新しいアーキテクチャを含む。ヘアスタイルの形状と色を異なる画像から転送する最も難しいシナリオでは、Nvidia V100上で1秒未満で実行することができる。
論文参考訳（メタデータ） (2024-04-01T12:59:49Z)
Is Synthetic Image Useful for Transfer Learning? An Investigation into Data Generation, Volume, and Utilization [62.157627519792946]
ブリッジドトランスファー(ブリッジドトランスファー)と呼ばれる新しいフレームワークを導入する。このフレームワークは、当初、トレーニング済みモデルの微調整に合成画像を使用し、転送性を向上させる。合成画像と実画像のスタイルアライメントを改善するために,データセットスタイルの逆変換方式を提案する。提案手法は10の異なるデータセットと5つの異なるモデルで評価され、一貫した改善が示されている。
論文参考訳（メタデータ） (2024-03-28T22:25:05Z)
Dr.Hair: Reconstructing Scalp-Connected Hair Strands without Pre-training via Differentiable Rendering of Line Segments [23.71057752711745]
映画やゲーム業界では、現実的な髪型を達成するには、頭皮由来の鎖を使うのが一般的である。本研究では,事前学習の必要性を解消する最適化手法を提案する。提案手法は,既存の手法の精度を越え,処理速度を大幅に向上させるとともに,堅牢かつ高精度な逆レンダリングを実現する。
論文参考訳（メタデータ） (2024-03-26T08:53:25Z)
SinSR: Diffusion-Based Image Super-Resolution in a Single Step [119.18813219518042]
拡散モデルに基づく超解像(SR)法は有望な結果を示す。しかし、それらの実践的応用は、必要な推論ステップのかなりの数によって妨げられている。本稿では,SinSRという単一ステップのSR生成を実現するための,シンプルで効果的な手法を提案する。
論文参考訳（メタデータ） (2023-11-23T16:21:29Z)
Neural Haircut: Prior-Guided Strand-Based Hair Reconstruction [4.714310894654027]
本研究は, 単眼ビデオや多視点画像から, 鎖レベルでの正確な髪形再構成を実現する手法を提案する。ニューラル・ヘアカット(Neural Haircut)と呼ばれるこの組み合わせシステムは、再建されたヘアスタイルの高度なリアリズムとパーソナライズを実現している。
論文参考訳（メタデータ） (2023-06-09T13:08:34Z)
IRGen: Generative Modeling for Image Retrieval [82.62022344988993]
本稿では,画像検索を生成モデルの一種として再フレーミングする新しい手法を提案する。我々は、イメージを意味単位の簡潔なシーケンスに変換するという技術的課題に対処するため、IRGenと呼ばれるモデルを開発した。本モデルは,広範に使用されている3つの画像検索ベンチマークと200万件のデータセットに対して,最先端の性能を実現する。
論文参考訳（メタデータ） (2023-03-17T17:07:36Z)
Efficient Hair Style Transfer with Generative Adversarial Networks [7.312180925669325]
本稿では,リアルタイム処理を実現するために計算コストを削減できる新しいヘアスタイルトランスファー手法であるEHGANを提案する。この目的を達成するために、エンコーダと低解像度のジェネレータを訓練してヘアスタイルを転送し、トレーニング済みの超解像モデルで結果の分解能を高める。 EHGANは、最先端のMichigaNとLOHOの2.7倍の時間消費と1万倍以上の時間消費を必要とする。
論文参考訳（メタデータ） (2022-10-22T18:56:16Z)
HVH: Learning a Hybrid Neural Volumetric Representation for Dynamic Hair Performance Capture [11.645769995924548]
ライフスタイルの毛髪を捕えることは、その微細な幾何学的構造、複雑な物理的相互作用、そして非自明な視覚的外観のために特に困難である。本稿では,数千のプリミティブで構成された斬新な容積表現を用いる。提案手法は,記録されたマルチビューシーケンスのリアルなレンダリングを生成するだけでなく,新しい制御信号を提供することで,新しいヘア構成のレンダリングを生成する。
論文参考訳（メタデータ） (2021-12-13T18:57:50Z)
HairCLIP: Design Your Hair by Text and Reference Image [100.85116679883724]
本稿では, 毛髪属性を個別に, 共同で操作できる新しい毛髪編集インタラクションモードを提案する。画像とテキストの条件を共有埋め込み空間にエンコードし、統一的なヘア編集フレームワークを提案する。念入りに設計されたネットワーク構造と損失関数により,我々のフレームワークは高品質な毛髪編集を行うことができる。
論文参考訳（メタデータ） (2021-12-09T18:59:58Z)
A Simple Baseline for StyleGAN Inversion [133.5868210969111]
StyleGANのインバージョンは、トレーニング済みのStyleGANを実際の顔画像編集タスクに使用できるようにする上で重要な役割を果たす。既存の最適化ベースの手法は高品質な結果を生み出すことができるが、最適化には時間がかかることが多い。 StyleGANインバージョンのための新しいフィードフォワードネットワークを提示し、効率と品質の面で大幅に改善します。
論文参考訳（メタデータ） (2021-04-15T17:59:49Z)

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。