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
- ARNIQA: Learning Distortion Manifold for Image Quality Assessment [28.773037051085318]
No-Reference Image Quality Assessment (NR-IQA) は、高品質な参照画像を必要としない、人間の知覚に合わせて画像品質を測定する手法を開発することを目的としている。
本研究では、画像歪み多様体をモデル化し、本質的な表現を得るための自己教師型アプローチ ARNIQA を提案する。
論文 参考訳(メタデータ) (2023-10-20T17:22:25Z) - 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) - Towards Unsupervised Deep Image Enhancement with Generative Adversarial
Network [92.01145655155374]
監視されていない画像強調生成ネットワーク(UEGAN)を提案する。
教師なしの方法で所望の特性を持つ画像の集合から、対応する画像と画像のマッピングを学習する。
その結果,提案モデルは画像の美的品質を効果的に向上することがわかった。
論文 参考訳(メタデータ) (2020-12-30T03:22:46Z) - 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) - Semantic Photo Manipulation with a Generative Image Prior [86.01714863596347]
GANは、ユーザスケッチ、テキスト、セマンティックラベルなどの入力に条件付きイメージを合成することができる。
GANが入力画像を正確に再現することは困難である。
本稿では,GANが以前に学んだイメージを個々の画像の統計に適応させることにより,これらの問題に対処する。
提案手法は,入力画像の外観と一致して,入力画像を正確に再構成し,新たなコンテンツを合成することができる。
論文 参考訳(メタデータ) (2020-05-15T18:22:05Z) - 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。