論文の概要: Simulating analogue film damage to analyse and improve artefact restoration on high-resolution scans

• arxiv url: http://arxiv.org/abs/2302.10004v1
• Date: Mon, 20 Feb 2023 14:24:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-21 15:16:13.784212
• Title: Simulating analogue film damage to analyse and improve artefact restoration on high-resolution scans
• Title（参考訳）: アナログフィルム損傷シミュレーションによる高分解能スキャンによるアーティファクト復元
• Authors: Daniela Ivanova, John Williamson, Paul Henderson
• Abstract要約: アナログ写真フィルムのデジタルスキャンは通常、ほこりやひっかきなどの人工物を含む。 ディープラーニングモデルは、一般的な画像の塗り絵や装飾において印象的な結果を示しているが、フィルムアーティファクトの除去は未研究の問題である。 トレーニングと評価のために、現実世界のアナログフィルム損傷の高品質なデータセットは公開されていない。 人手による手動復元版と組み合わせた4K損傷アナログフィルムスキャンのデータセットを収集する。 損傷画像の大規模合成データセットを, 実物形状の統計モデルと, 重損傷画像から学習した画像の出現モデルを用いて, ペア化されたクリーンバージョンで構築する。
• 参考スコア（独自算出の注目度）: 10.871587311621974
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Digital scans of analogue photographic film typically contain artefacts such as dust and scratches. Automated removal of these is an important part of preservation and dissemination of photographs of historical and cultural importance. While state-of-the-art deep learning models have shown impressive results in general image inpainting and denoising, film artefact removal is an understudied problem. It has particularly challenging requirements, due to the complex nature of analogue damage, the high resolution of film scans, and potential ambiguities in the restoration. There are no publicly available high-quality datasets of real-world analogue film damage for training and evaluation, making quantitative studies impossible. We address the lack of ground-truth data for evaluation by collecting a dataset of 4K damaged analogue film scans paired with manually-restored versions produced by a human expert, allowing quantitative evaluation of restoration performance. We construct a larger synthetic dataset of damaged images with paired clean versions using a statistical model of artefact shape and occurrence learnt from real, heavily-damaged images. We carefully validate the realism of the simulated damage via a human perceptual study, showing that even expert users find our synthetic damage indistinguishable from real. In addition, we demonstrate that training with our synthetically damaged dataset leads to improved artefact segmentation performance when compared to previously proposed synthetic analogue damage. Finally, we use these datasets to train and analyse the performance of eight state-of-the-art image restoration methods on high-resolution scans. We compare both methods which directly perform the restoration task on scans with artefacts, and methods which require a damage mask to be provided for the inpainting of artefacts.
• Abstract（参考訳）: アナログ写真フィルムのデジタルスキャンは通常、ほこりや傷などの人工物を含む。 これらの自動除去は、歴史的・文化的に重要な写真の保存と普及の重要な部分である。 最先端のディープラーニングモデルは、一般的な画像の塗り絵や装飾において印象的な結果を示しているが、フィルムアーティファクトの除去は未研究の問題である。 アナログ損傷の複雑な性質、フィルムスキャンの高解像度化、修復における潜在的な曖昧さなど、特に困難な要件がある。 実世界のアナログフィルムのトレーニングや評価のための高品質なデータセットは公開されておらず、定量的研究は不可能である。 人手による手動復元版と組み合わせた4K損傷アナログフィルムスキャンのデータセットを収集し, 復元性能の定量的評価を行うことにより, 地下構造データの欠如を解消する。 本研究では,実画像から学習したアーティファクト形状と発生現象の統計モデルを用いて,損傷画像の合成データセットを構築した。 シミュレーションされた損傷の現実性について,人間の知覚による検証により慎重に検証し,専門家でさえ,我々の人工的な損傷が現実と区別できないことがわかった。 また, 従来提案していた合成アナログ損傷と比較して, 合成損傷データセットを用いた訓練が人工物セグメンテーション性能の向上につながることを実証した。 最後に,これらのデータセットを用いて,高解像度スキャンにおける8つの最先端画像復元法の性能を訓練し,解析する。 本研究では,スキャンによる修復作業を直接行う方法と,工芸品の塗布に損傷マスクを必要とする方法を比較した。

関連論文リスト

• ArtiFade: Learning to Generate High-quality Subject from Blemished Images [10.112125529627157]
  ArtiFadeは、事前トレーニングされたテキスト-画像モデルの微調整を利用して、アーティファクトを削除する。 ArtiFadeはまた、拡散モデルに固有のオリジナルの生成機能の保存も保証している。
  論文  参考訳（メタデータ） (2024-09-05T17:57:59Z)
• When Synthetic Traces Hide Real Content: Analysis of Stable Diffusion Image Laundering [18.039034362749504]
  近年、高度にリアルな合成画像を作成する方法が大幅に進歩している。 SDオートエンコーダを介して画像を渡すことで、画像の合成コピーを高いリアリズムで再現することができ、視覚的アーティファクトはほとんどない。 このプロセスはSD画像ロンダリング(SD image laundering)と呼ばれ、実際の画像を見た目の合成画像に変換することができ、コンテンツ認証のための法医学的分析を複雑にするリスクがある。
  論文  参考訳（メタデータ） (2024-07-15T14:01:35Z)
• Perceptual Artifacts Localization for Image Synthesis Tasks [59.638307505334076]
  我々は10,168個の画像からなる新しいデータセットを導入し,それぞれに知覚的アーティファクトラベルを付加した。 提案したデータセットに基づいてトレーニングされたセグメンテーションモデルは、さまざまなタスクにまたがるアーティファクトを効果的にローカライズする。 生成した画像の知覚的アーティファクトをシームレスに修正する,革新的なズームイン・インペインティングパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-10-09T10:22:08Z)
• Multi-stage Deep Learning Artifact Reduction for Computed Tomography [0.0]
  本稿では,ニューラルネットワークを複数の領域に適用した人工物除去のための多段階ディープラーニング手法を提案する。 ニューラルネットワークは、逐次的に効果的にトレーニングでき、簡単に使用でき、計算的に効率的にトレーニングできることを示す。
  論文  参考訳（メタデータ） (2023-09-01T14:40:25Z)
• DR2: Diffusion-based Robust Degradation Remover for Blind Face Restoration [66.01846902242355]
  ブラインド顔復元は通常、トレーニングのための事前定義された劣化モデルで劣化した低品質データを合成する。 トレーニングデータに現実のケースをカバーするために、あらゆる種類の劣化を含めることは、高価で実現不可能である。 本稿では、まず、劣化した画像を粗いが劣化不変な予測に変換し、次に、粗い予測を高品質な画像に復元するために拡張モジュールを使用するロバスト劣化再帰法(DR2)を提案する。
  論文  参考訳（メタデータ） (2023-03-13T06:05:18Z)
• 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)
• Synthetic Data for Object Classification in Industrial Applications [53.180678723280145]
  オブジェクト分類では、オブジェクトごとに、異なる条件下で、多数の画像を取得することは必ずしも不可能である。 本研究は,学習データセット内の限られたデータに対処するゲームエンジンを用いた人工画像の作成について検討する。
  論文  参考訳（メタデータ） (2022-12-09T11:43:04Z)
• A comparison of different atmospheric turbulence simulation methods for image restoration [64.24948495708337]
  大気の乱流は、長距離イメージングシステムによって捉えられた画像の品質を悪化させる。 深層学習に基づく大気乱流緩和法が文献で提案されている。 様々な乱流シミュレーション手法が画像復元に与える影響を系統的に評価した。
  論文  参考訳（メタデータ） (2022-04-19T16:21:36Z)
• Learning MRI Artifact Removal With Unpaired Data [74.48301038665929]
  振り返りアーティファクト補正(RAC)は、画像の質を向上し、画像のユーザビリティを向上させる。 最近のRACの機械学習駆動技術は、主に教師付き学習に基づいている。 ここでは、不要な画像アーティファクトを、未ペアデータで学習したRACニューラルネットワークを介して、画像から切り離し、取り除くことができることを示す。
  論文  参考訳（メタデータ） (2021-10-09T16:09:27Z)

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。