論文の概要: Structure-guided Image Outpainting

• arxiv url: http://arxiv.org/abs/2212.12326v1
• Date: Wed, 21 Dec 2022 20:24:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 16:18:16.609483
• Title: Structure-guided Image Outpainting
• Title（参考訳）: 構造誘導画像アウトパインティング
• Authors: Xi Wang, Weixi Cheng, and Wenliang Jia
• Abstract要約: 画像の露光は、大規模な領域の喪失と、あまり正当でない近隣情報による困難を伴う。 本稿では,GAN(Generative Adrial Network)と条件エッジに基づくディープラーニング手法を提案する。 新たに追加されたセマンティック埋め込み損失は、実際に有効であることが証明されている。
• 参考スコア（独自算出の注目度）: 2.7215474244966296
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep learning techniques have made considerable progress in image inpainting, restoration, and reconstruction in the last few years. Image outpainting, also known as image extrapolation, lacks attention and practical approaches to be fulfilled, owing to difficulties caused by large-scale area loss and less legitimate neighboring information. These difficulties have made outpainted images handled by most of the existing models unrealistic to human eyes and spatially inconsistent. When upsampling through deconvolution to generate fake content, the naive generation methods may lead to results lacking high-frequency details and structural authenticity. Therefore, as our novelties to handle image outpainting problems, we introduce structural prior as a condition to optimize the generation quality and a new semantic embedding term to enhance perceptual sanity. we propose a deep learning method based on Generative Adversarial Network (GAN) and condition edges as structural prior in order to assist the generation. We use a multi-phase adversarial training scheme that comprises edge inference training, contents inpainting training, and joint training. The newly added semantic embedding loss is proved effective in practice.
• Abstract（参考訳）: 深層学習技術は、ここ数年で画像の塗装、修復、再構築に大きく進歩している。 画像外挿(image outpainting)は画像外挿(image extrapolation)としても知られ、大規模な面積の損失と正当な隣接情報の欠如によって引き起こされる困難のために、注意と実践的なアプローチが欠如している。 これらの困難により、既存のモデルのほとんどは人間の目と非現実的であり、空間的に一貫性のない画像に塗装されている。 デコンボリューションを通じて偽コンテンツを生成する場合、単純生成法は高周波の詳細と構造的信頼性に欠ける結果をもたらす可能性がある。 そこで, 画像の劣化問題に対処する新しい手法として, 生成品質を最適化する条件として構造的事前を導入するとともに, 知覚の健全性を高めるために新しい意味的埋め込み項を導入する。 本稿では,生成支援のための構造的事前構造として,gan(generative adversarial network)と条件エッジを用いた深層学習手法を提案する。 我々は,エッジ推論トレーニング,コンテンツインペインティングトレーニング,関節トレーニングを含む多相対向トレーニング手法を用いる。 新たに追加されたセマンティック埋め込み損失は、実際に有効であることが証明されている。

関連論文リスト

• Semi-LLIE: Semi-supervised Contrastive Learning with Mamba-based Low-light Image Enhancement [59.17372460692809]
  本研究は、平均教師による半教師付き低照度強化(Semi-LLIE)フレームワークを提案する。 照度分布を忠実に伝達するために、意味認識によるコントラスト損失を導入し、自然色による画像の強調に寄与する。 また,大規模な視覚言語認識モデル(RAM)に基づく新たな知覚損失を提案し,よりリッチなテキストによる画像生成を支援する。
  論文  参考訳（メタデータ） (2024-09-25T04:05:32Z)
• 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)
• ENTED: Enhanced Neural Texture Extraction and Distribution for Reference-based Blind Face Restoration [51.205673783866146]
  我々は,高品質でリアルな肖像画を復元することを目的とした,ブラインドフェイス修復のための新しいフレームワークであるENTEDを提案する。 劣化した入力画像と参照画像の間で高品質なテクスチャ特徴を伝達するために,テクスチャ抽出と分布の枠組みを利用する。 われわれのフレームワークにおけるStyleGANのようなアーキテクチャは、現実的な画像を生成するために高品質な潜伏符号を必要とする。
  論文  参考訳（メタデータ） (2024-01-13T04:54:59Z)
• All-in-one Multi-degradation Image Restoration Network via Hierarchical Degradation Representation [47.00239809958627]
  我々は新しいオールインワン・マルチデグレーション画像復元ネットワーク(AMIRNet)を提案する。 AMIRNetは、クラスタリングによって木構造を段階的に構築することで、未知の劣化画像の劣化表現を学習する。 この木構造表現は、様々な歪みの一貫性と不一致を明示的に反映しており、画像復元の具体的な手がかりとなっている。
  論文  参考訳（メタデータ） (2023-08-06T04:51:41Z)
• Deep image prior inpainting of ancient frescoes in the Mediterranean Alpine arc [0.3958317527488534]
  DIPベースの塗り絵は、アーティファクトを減らし、文脈的/非局所的な情報に適応し、美術史家にとって貴重なツールを提供する。 本研究では,地中海アルプス弧のいくつかの礼拝堂に位置する中世絵画の高度に損傷を受けたデジタル画像のデータセットに,欠落した画像内容の再構成を行う。
  論文  参考訳（メタデータ） (2023-06-25T11:19:47Z)
• GRIG: Few-Shot Generative Residual Image Inpainting [27.252855062283825]
  そこで本研究では,高画質な残像塗装法を新たに提案する。 中心となる考え方は、特徴抽出のために畳み込みニューラルネットワーク(CNN)を組み込んだ反復的残留推論手法を提案することである。 また, 忠実なテクスチャと詳細な外観を創出するための, フォージェリーパッチ対逆訓練戦略を提案する。
  論文  参考訳（メタデータ） (2023-04-24T12:19:06Z)
• TexPose: Neural Texture Learning for Self-Supervised 6D Object Pose Estimation [55.94900327396771]
  合成データから6次元オブジェクトポーズ推定のためのニューラルネットワークによるテクスチャ学習を提案する。 実画像からオブジェクトの現実的なテクスチャを予測することを学ぶ。 画素完全合成データからポーズ推定を学習する。
  論文  参考訳（メタデータ） (2022-12-25T13:36:32Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• Image Inpainting with External-internal Learning and Monochromic Bottleneck [39.89676105875726]
  そこで本稿では,画像インパインティングモデルによるこれらのアーティファクトの除去を支援する,モノクロのボトルネックを持つ外部インパインティングスキームを提案する。 外部学習段階において,モノクロ空間における欠落構造と詳細を再構成し,学習次元を減らす。 内部学習段階において,一貫した色復元のためのプログレッシブ学習戦略を用いた新しい内部色伝播法を提案する。
  論文  参考訳（メタデータ） (2021-04-19T06:22:10Z)
• Exploiting Deep Generative Prior for Versatile Image Restoration and Manipulation [181.08127307338654]
  本研究は, 大規模自然画像に基づいて学習したGAN(Generative Adversarial Network)により, 得られた画像の有効利用方法を示す。 深層生成前駆体(DGP)は、色、パッチ、解像度、様々な劣化した画像の欠落したセマンティクスを復元するための説得力のある結果を提供する。
  論文  参考訳（メタデータ） (2020-03-30T17:45:07Z)
• Guidance and Evaluation: Semantic-Aware Image Inpainting for Mixed Scenes [54.836331922449666]
  本稿では,SGE-Net(Semantic Guidance and Evaluation Network)を提案する。 セマンティックセグメンテーションマップをインペイントの各尺度のガイダンスとして利用し、そこで位置依存推論を再評価する。 混合シーンの現実画像に対する実験により,提案手法が最先端手法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） (2020-03-15T17:49:20Z)

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。