論文の概要: QC-StyleGAN -- Quality Controllable Image Generation and Manipulation

• arxiv url: http://arxiv.org/abs/2212.00981v1
• Date: Fri, 2 Dec 2022 05:24:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 15:56:10.550495
• Title: QC-StyleGAN -- Quality Controllable Image Generation and Manipulation
• Title（参考訳）: QC-StyleGAN --品質制御可能な画像生成と操作
• Authors: Dat Viet Thanh Nguyen, Phong Tran The, Tan M. Dinh, Cuong Pham and Anh Tuan Tran
• Abstract要約: 本稿では,制御可能な画質で画像を生成する新しいGAN構造を提案する。 ネットワークは、様々な画像劣化を合成し、品質制御コードを介してシャープな画像を復元することができる。 また、ノイズ、ぼかし、圧縮アーティファクト、それらの混合物など、さまざまな劣化を処理できる画像復元ソリューションを無償で提供する。
• 参考スコア（独自算出の注目度）: 5.350301868605201
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The introduction of high-quality image generation models, particularly the StyleGAN family, provides a powerful tool to synthesize and manipulate images. However, existing models are built upon high-quality (HQ) data as desired outputs, making them unfit for in-the-wild low-quality (LQ) images, which are common inputs for manipulation. In this work, we bridge this gap by proposing a novel GAN structure that allows for generating images with controllable quality. The network can synthesize various image degradation and restore the sharp image via a quality control code. Our proposed QC-StyleGAN can directly edit LQ images without altering their quality by applying GAN inversion and manipulation techniques. It also provides for free an image restoration solution that can handle various degradations, including noise, blur, compression artifacts, and their mixtures. Finally, we demonstrate numerous other applications such as image degradation synthesis, transfer, and interpolation.
• Abstract（参考訳）: 高品質な画像生成モデル、特にStyleGANファミリーの導入は、画像の合成と操作に強力なツールを提供する。 しかし、既存のモデルは所望の出力として高品質(HQ)データに基づいて構築されており、操作に共通する低品質(LQ)画像には適さない。 本研究では,制御可能な画質の画像を生成可能な新しいGAN構造を提案することにより,このギャップを埋める。 ネットワークは、様々な画像劣化を合成し、品質制御コードを介してシャープ画像を復元することができる。 提案するQC-StyleGANは,GANインバージョンと操作技術を適用して,LQ画像を直接編集する。 また、ノイズ、ぼかし、圧縮アーティファクト、およびそれらの混合物を含む様々な劣化を処理できる画像復元ソリューションを無償で提供する。 最後に, 画像劣化合成, 転写, 補間など, 多数の応用例を示す。

関連論文リスト

• Dual-Representation Interaction Driven Image Quality Assessment with Restoration Assistance [11.983231834400698]
  歪み画像の非参照画像品質評価は、画像内容のばらつきと歪みの多様性のために常に難しい問題である。 以前のIQAモデルは、主に、品質スコア予測のための品質認識表現を得るために、合成画像の明示的な単一品質特徴を符号化していた。 低画質画像の劣化・品質情報を別々にモデル化するDRI法を提案する。
  論文  参考訳（メタデータ） (2024-11-26T12:48:47Z)
• UniProcessor: A Text-induced Unified Low-level Image Processor [57.68102257295907]
  ディープ・ラーニング法は、単一タスク条件で様々な画像処理タスクに優れた性能を示す。 そこで本研究では,UniProcessorと呼ばれる低レベル視覚タスクのためのテキスト誘起統合イメージプロセッサを提案する。 私たちのUniProcessorは30の分解タイプをカバーしています。
  論文  参考訳（メタデータ） (2024-07-30T16:06:39Z)
• Dual-Branch Network for Portrait Image Quality Assessment [76.27716058987251]
  ポートレート画像品質評価のためのデュアルブランチネットワーク(PIQA)を提案する。 我々は2つのバックボーンネットワーク(textiti.e., Swin Transformer-B)を使用して、肖像画全体と顔画像から高品質な特徴を抽出する。 我々は、画像シーンの分類と品質評価モデルであるLIQEを利用して、品質認識とシーン固有の特徴を補助的特徴として捉えている。
  論文  参考訳（メタデータ） (2024-05-14T12:43:43Z)
• Photo-Realistic Image Restoration in the Wild with Controlled Vision-Language Models [14.25759541950917]
  この研究は、能動的視覚言語モデルと合成分解パイプラインを活用して、野生(ワイルドIR)における画像復元を学習する。 我々の基底拡散モデルは画像復元SDE(IR-SDE)である。
  論文  参考訳（メタデータ） (2024-04-15T12:34:21Z)
• Controllable Image Enhancement [66.18525728881711]
  いくつかのパラメータを制御して、複数のスタイルで高品質な画像を生成できる半自動画像強調アルゴリズムを提案する。 エンコーダ・デコーダフレームワークは、リタッチスキルを潜在コードにエンコードし、イメージ信号処理機能のパラメータにデコードする。
  論文  参考訳（メタデータ） (2022-06-16T23:54:53Z)
• Early Exit or Not: Resource-Efficient Blind Quality Enhancement for Compressed Images [54.40852143927333]
  ロスシー画像圧縮は、通信帯域を節約するために広範に行われ、望ましくない圧縮アーティファクトをもたらす。 圧縮画像に対する資源効率の高いブラインド品質向上手法(RBQE)を提案する。 提案手法は, 評価された画像の品質に応じて, 自動的にエンハンスメントを終了するか, 継続するかを決定することができる。
  論文  参考訳（メタデータ） (2020-06-30T07:38:47Z)
• Quantization Guided JPEG Artifact Correction [69.04777875711646]
  我々はJPEGファイル量子化行列を用いたアーティファクト修正のための新しいアーキテクチャを開発した。 これにより、特定の品質設定のためにトレーニングされたモデルに対して、単一のモデルで最先端のパフォーマンスを達成できます。
  論文  参考訳（メタデータ） (2020-04-17T00:10:08Z)
• Blur, Noise, and Compression Robust Generative Adversarial Networks [85.68632778835253]
  劣化画像から直接クリーンな画像生成装置を学習するために, ぼかし, ノイズ, 圧縮堅牢なGAN(BNCR-GAN)を提案する。 NR-GANにインスパイアされたBNCR-GANは、画像、ぼやけたカーネル、ノイズ、品質要素ジェネレータで構成される多重ジェネレータモデルを使用する。 CIFAR-10の大規模比較とFFHQの一般性解析によるBNCR-GANの有効性を実証する。
  論文  参考訳（メタデータ） (2020-03-17T17:56:22Z)

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。