論文の概要: Line Drawing Guided Progressive Inpainting of Mural Damages

• arxiv url: http://arxiv.org/abs/2211.06649v1
• Date: Sat, 12 Nov 2022 12:22:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 18:07:22.458837
• Title: Line Drawing Guided Progressive Inpainting of Mural Damages
• Title（参考訳）: 壁画損傷の進行的インペインティングを指導する線画
• Authors: Luxi Li, Qin Zou, Fan Zhang, Hongkai Yu, Long Chen, Chengfang Song, Xianfeng Huang, Xiaoguang Wang
• Abstract要約: 壁画の損傷や欠落箇所を修復して、視覚的外観を復元すること。 既存の画像塗装法の多くは、ターゲット画像のみを入力とし、損傷を直接修復して視覚的に妥当な結果を生成する傾向にある。 本稿では,線画ガイドによるプログレッシブ壁画塗装法を提案する。
• 参考スコア（独自算出の注目度）: 15.663331514644318
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Mural image inpainting refers to repairing the damage or missing areas in a mural image to restore the visual appearance. Most existing image-inpainting methods tend to take a target image as the only input and directly repair the damage to generate a visually plausible result. These methods obtain high performance in restoration or completion of some specific objects, e.g., human face, fabric texture, and printed texts, etc., however, are not suitable for repairing murals with varied subjects, especially for murals with large damaged areas. Moreover, due to the discrete colors in paints, mural inpainting may suffer from apparent color bias as compared to natural image inpainting. To this end, in this paper, we propose a line drawing guided progressive mural inpainting method. It divides the inpainting process into two steps: structure reconstruction and color correction, executed by a structure reconstruction network (SRN) and a color correction network (CCN), respectively. In the structure reconstruction, line drawings are used by SRN as a guarantee for large-scale content authenticity and structural stability. In the color correction, CCN operates a local color adjustment for missing pixels which reduces the negative effects of color bias and edge jumping. The proposed approach is evaluated against the current state-of-the-art image inpainting methods. Qualitative and quantitative results demonstrate the superiority of the proposed method in mural image inpainting. The codes and data are available at {https://github.com/qinnzou/mural-image-inpainting}.
• Abstract（参考訳）: 壁画塗装とは、壁画の損傷や欠落箇所を修復して視覚的な外観を復元することを指す。 既存の画像塗装法の多くは、ターゲット画像のみを入力とし、損傷を直接修復して視覚的に妥当な結果を生成する傾向にある。 これらの手法は、人間の顔、織物のテクスチャ、印刷されたテキストなどの特定の物体の復元や完成において高い性能を発揮するが、様々な対象の壁画、特に大きな損傷を受けた壁画の修復には適さない。 また,絵具の彩色の違いから,壁画の彩色は自然画の彩色に比べて明らかな彩色バイアスに悩まされる可能性がある。 そこで本稿では,線画ガイドによる進行壁画塗装法を提案する。 塗工工程は、それぞれ構造復元ネットワーク(srn)と色補正ネットワーク(ccn)によって実行される構造復元と色補正の2つのステップに分けられる。 構造復元では,SRNによる大規模コンテンツ信頼性と構造安定性の保証として線描画を用いる。 色補正において、ccnは欠落画素の局所的な色調整を行い、色バイアスとエッジジャンプの悪影響を低減させる。 提案手法は,現在の画像塗装法に対して評価される。 壁画の塗装において,提案手法の質的,定量的に優れることを示す。 コードとデータは{https://github.com/qinnzou/mural-image-inpainting}で入手できる。

関連論文リスト

• Fill in the ____ (a Diffusion-based Image Inpainting Pipeline) [0.0]
  塗り絵は、画像を撮り、失った、または故意に隠された部分を生成する過程である。 現代の塗装技術は、有能な完成物を生成する際、顕著な能力を示している。 既存のモデルにおける重要なギャップに対処し、何が正確に生成されたかをプロンプトし制御する能力に焦点を当てる。
  論文  参考訳（メタデータ） (2024-03-24T05:26:55Z)
• Stroke-based Neural Painting and Stylization with Dynamically Predicted Painting Region [66.75826549444909]
  ストロークベースのレンダリングは、ストロークのセットで画像を再現することを目的としている。 本研究では,現在のキャンバスに基づいて絵画領域を予測する合成ニューラルネットワークを提案する。 我々は、新しい微分可能な距離変換損失を伴って、ストロークベースのスタイル転送に拡張する。
  論文  参考訳（メタデータ） (2023-09-07T06:27:39Z)
• PaintSeg: Training-free Segmentation via Painting [50.17936803209125]
  PaintSegは、トレーニングなしでオブジェクトをセグメンテーションするための新しい教師なしのメソッドである。 前者は前景をマスキングして背景を埋め、後者は前景の欠落部分を回復しながら背景をマスキングする。 実験の結果、PaintSegは、粗いマスクプロンプト、ボックスプロンプト、ポイントプロンプトセグメンテーションタスクにおいて、既存のアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-05-30T20:43:42Z)
• Multi-stage Progressive Reasoning for Dunhuang Murals Inpainting [5.167943379184235]
  ダンファンの壁画は、長期間の環境侵食の影響を受け、薄れ、壊れ、表面の脆さ、広範囲の剥離に悩まされている。 本稿では,多段階のプログレッシブ推論ネットワーク(MPR-Net)を設計する。 本手法は定性的および定量的な実験により評価され, 画像の塗装方法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-10T05:10:00Z)
• Perceptual Artifacts Localization for Inpainting [60.5659086595901]
  そこで本研究では,知覚的アーティファクトの自動セグメンテーションの学習タスクを提案する。 データセット上で高度なセグメンテーションネットワークをトレーニングし、インペイントされた画像内のインペイントされたアーティファクトを確実にローカライズする。 また, 対象領域と対象領域全体との比率である知覚人工物比 (PAR) という新しい評価指標を提案する。
  論文  参考訳（メタデータ） (2022-08-05T18:50:51Z)
• Cylin-Painting: Seamless {360\textdegree} Panoramic Image Outpainting and Beyond [136.18504104345453]
  塗り絵と塗り絵の間に有意義な協調関係を持つキリン塗り絵の枠組みを提示する。 提案アルゴリズムは、オブジェクト検出、深さ推定、画像超解像などの他のパノラマ視覚タスクに効果的に拡張できる。
  論文  参考訳（メタデータ） (2022-04-18T21:18:49Z)
• In&Out : Diverse Image Outpainting via GAN Inversion [89.84841983778672]
  image outpaintingは、利用可能なコンテンツを超えて、入力画像の意味的に一貫した拡張を求める。 本研究では、生成的対向ネットワークの反転の観点から問題を定式化する。 私達の発電機はイメージの彼らの共同潜入コードそして個々の位置で調節されるマイクロ パッチをレンダリングします。
  論文  参考訳（メタデータ） (2021-04-01T17:59:10Z)
• Learning to Structure an Image with Few Colors [59.34619548026885]
  そこで,カラー量子化ネットワークであるColorCNNを提案する。 1ビットのカラースペース(すなわち2色)だけで、提案されたネットワークはCIFAR10データセット上で82.1%のトップ-1の精度を達成した。 アプリケーションの場合、PNGでエンコードされた場合、提案したカラー量子化は、極低ビットレート方式の他の画像圧縮方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-17T17:56:15Z)

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。