論文の概要: Hierarchical Dynamic Image Harmonization

• arxiv url: http://arxiv.org/abs/2211.08639v1
• Date: Wed, 16 Nov 2022 03:15:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 14:29:21.642938
• Title: Hierarchical Dynamic Image Harmonization
• Title（参考訳）: 階層的動的画像調和
• Authors: Haoxing Chen and Zhangxuan Gu and Yaohui Li and Jun Lan and Changhua Meng and Weiqiang Wang and Huaxiong Li
• Abstract要約: モデルパラメータと特徴を局所からグローバルに適応させて特徴変換を改善するために,高効率な画像調和のための階層型動的ネットワーク(HDNet)を提案する。 実験によると、提案されたHDNetは、以前の方法と比較して80%以上のパラメータを削減しているが、一般的なiHarmony4データセットの最先端のパフォーマンスは依然として達成している。
• 参考スコア（独自算出の注目度）: 15.886047676987316
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image harmonization is a critical task in computer vision, which aims to adjust the fore-ground to make it compatible with the back-ground. Recent works mainly focus on using global transformation (i.e., normalization and color curve rendering) to achieve visual consistency. However, these model ignore local consistency and their model size limit their harmonization ability on edge devices. Inspired by the dynamic deep networks that adapt the model structures or parameters conditioned on the inputs, we propose a hierarchical dynamic network (HDNet) for efficient image harmonization to adapt the model parameters and features from local to global view for better feature transformation. Specifically, local dynamics (LD) and mask-aware global dynamics (MGD) are applied. LD enables features of different channels and positions to change adaptively and improve the representation ability of geometric transformation through structural information learning. MGD learns the representations of fore- and back-ground regions and correlations to global harmonization. Experiments show that the proposed HDNet reduces more than 80\% parameters compared with previous methods but still achieves the state-of-the-art performance on the popular iHarmony4 dataset. Our code is avaliable in https://github.com/chenhaoxing/HDNet.
• Abstract（参考訳）: イメージ調和はコンピュータビジョンにおいて重要なタスクであり、フォアグラウンドを調整してバックグラウンドと互換性を持たせることを目的としている。 最近の研究は主にグローバルトランスフォーメーション(正規化とカラーカーブレンダリング)を使用して視覚的な一貫性を実現することに焦点を当てている。 しかし、これらのモデルは局所的な一貫性を無視し、そのモデルサイズはエッジデバイスでの調和能力を制限する。 入力を条件としたモデル構造やパラメータに適応する動的深層ネットワークに着想を得て,効率的な画像調和のための階層型動的ネットワーク(hdnet)を提案する。 具体的には、局所力学(LD)とマスク対応グローバルダイナミクス(MGD)を適用する。 LDは異なるチャネルや位置の特徴を適応的に変化させ、構造情報学習を通じて幾何変換の表現能力を向上させる。 MGDは、前と後ろの領域の表現とグローバルな調和との相関を学習する。 実験により、提案するhdnetは、従来の方法に比べて80\%以上のパラメータを削減できるが、人気の高いiharmony4データセットでは最先端のパフォーマンスを達成していることが示された。 私たちのコードはhttps://github.com/chenhaoxing/HDNetで無効です。

関連論文リスト

• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• Learning Global-aware Kernel for Image Harmonization [55.614444363743765]
  画像調和は、背景を基準として前景画素を適応的に調整することで、合成画像の視覚的不整合問題を解決することを目的としている。 既存の手法では、前景と背景の間の局所的な色変換や領域マッチングが採用されている。 本稿では,長距離バックグラウンド参照を包括的に考慮した地域調和のための,GKNet(Global-Aware Kernel Network)を提案する。
  論文  参考訳（メタデータ） (2023-05-19T13:49:02Z)
• Local-Global Transformer Enhanced Unfolding Network for Pan-sharpening [13.593522290577512]
  パンシャーピングは,低分解能マルチスペクトル (LrMS) 画像の空間分解能を,対応するパンクロマティック (PAN) 画像の誘導により向上することを目的としている。 深層学習(DL)に基づくパンシャーピング法は有望な性能を達成しているが、そのほとんどは2倍の欠損を有する。
  論文  参考訳（メタデータ） (2023-04-28T03:34:36Z)
• Efficient and Explicit Modelling of Image Hierarchies for Image Restoration [120.35246456398738]
  本研究では,画像復元のためのグローバル,地域,地域領域における画像階層を効率的に,かつ明示的にモデル化する機構を提案する。 そこで本研究では, 空間と時間的複雑性のバランスが良く, 固定されたストライプ自己注意を提案する。 そこで我々はGlobal, Regional, Local Rangeにおける画像階層を明示的にモデル化するGRLと呼ばれる新しいネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-03-01T18:59:29Z)
• Intra-Source Style Augmentation for Improved Domain Generalization [21.591831983223997]
  セマンティックセグメンテーションにおける領域一般化を改善するために,イントラソーススタイル拡張(ISSA)手法を提案する。 ISSAはモデルに依存しず、CNNやTransformerで簡単に適用できる。 また、Cityscapes から Dark Z"urich の最近の最先端ソリューション RobustNet を $3%$ mIoU で改善するなど、他の領域の一般化手法を補完する。
  論文  参考訳（メタデータ） (2022-10-18T21:33:25Z)
• FRIH: Fine-grained Region-aware Image Harmonization [49.420765789360836]
  我々は,FRIH(Fentral-Aware Image Harmonization)のための新しいグローバルな2段階フレームワークを提案する。 提案アルゴリズムは,軽量モデルを用いて,iHarmony4データセット(PSNRは38.19dB)上で最高の性能を実現する。
  論文  参考訳（メタデータ） (2022-05-13T04:50:26Z)
• Low Light Image Enhancement via Global and Local Context Modeling [164.85287246243956]
  低照度画像強調のためのコンテキスト認識ディープネットワークを導入。 まず、全空間領域上の補完的な手がかりを見つけるために空間相関をモデル化するグローバルコンテキストモジュールを特徴とする。 第二に、比較的大きな受容フィールドで局所的なコンテキストをキャプチャする密な残留ブロックを導入する。
  論文  参考訳（メタデータ） (2021-01-04T09:40:54Z)
• Image Fine-grained Inpainting [89.17316318927621]
  拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。 この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。 また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
  論文  参考訳（メタデータ） (2020-02-07T03:45:25Z)

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。