論文の概要: Pyramid Texture Filtering

• arxiv url: http://arxiv.org/abs/2305.06525v1
• Date: Thu, 11 May 2023 02:05:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-12 16:16:04.938843
• Title: Pyramid Texture Filtering
• Title（参考訳）: ピラミッドテクスチャフィルタリング
• Authors: Qing Zhang, Hao Jiang, Yongwei Nie, Wei-Shi Zheng
• Abstract要約: 目立った構造を保ちながらテクスチャをスムーズにするための,シンプルだが効果的な手法を提案する。 ガウスピラミッドの粗いレベルは、しばしば自然にテクスチャを排除し、主要な画像構造を要約する。 本手法は, 異なるスケール, 局所的なコントラスト, 形状のテクスチャから構造を分離する上で, 構造劣化や視覚的アーティファクトの導入を伴わずに有効であることを示す。
• 参考スコア（独自算出の注目度）: 86.15126028139736
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a simple but effective technique to smooth out textures while preserving the prominent structures. Our method is built upon a key observation -- the coarsest level in a Gaussian pyramid often naturally eliminates textures and summarizes the main image structures. This inspires our central idea for texture filtering, which is to progressively upsample the very low-resolution coarsest Gaussian pyramid level to a full-resolution texture smoothing result with well-preserved structures, under the guidance of each fine-scale Gaussian pyramid level and its associated Laplacian pyramid level. We show that our approach is effective to separate structure from texture of different scales, local contrasts, and forms, without degrading structures or introducing visual artifacts. We also demonstrate the applicability of our method on various applications including detail enhancement, image abstraction, HDR tone mapping, inverse halftoning, and LDR image enhancement.
• Abstract（参考訳）: 優れた構造を保ちながらテクスチャを平滑化させる,単純かつ効果的な手法を提案する。 ガウスピラミッドの最も粗いレベルはしばしば自然にテクスチャを取り除き、主要なイメージ構造を要約します。 これは、非常に低い解像度の粗いガウスピラミッドのレベルを、保存状態の良い構造で完全な解像度のテクスチャ平滑化結果に段階的にサンプリングし、それぞれの微細なガウスピラミッドのレベルと関連するラプラシアピラミッドのレベルを指導するという、テクスチャフィルタリングの中心的なアイデアを刺激します。 本手法は, 異なるスケール, 局所コントラスト, 形状のテクスチャから, 構造劣化や視覚的アーティファクトを導入することなく, 構造を分離することが効果的であることを示す。 提案手法の適用性についても,ディテールエンハンスメント,画像抽象化,HDRトーンマッピング,逆ハーフトニング,LDR画像エンハンスメントなど,様々な応用に適用可能であることを示す。

関連論文リスト

• TMO: Textured Mesh Acquisition of Objects with a Mobile Device by using Differentiable Rendering [54.35405028643051]
  スマートフォン1台でテクスチャ化されたメッシュを野生で取得するパイプラインを新たに提案する。 提案手法ではまず,RGBD支援構造を動きから導入し,フィルタした深度マップを作成できる。 我々は,高品質なメッシュを実現するニューラル暗黙表面再構成法を採用する。
  論文  参考訳（メタデータ） (2023-03-27T10:07:52Z)
• Delicate Textured Mesh Recovery from NeRF via Adaptive Surface Refinement [78.48648360358193]
  画像からテクスチャ化された表面メッシュを生成する新しいフレームワークを提案する。 我々のアプローチは、NeRFを用いて幾何学とビュー依存の外観を効率的に初期化することから始まります。 ジオメトリと共同で外観を洗練し、テクスチャ画像に変換してリアルタイムレンダリングします。
  論文  参考訳（メタデータ） (2023-03-03T17:14:44Z)
• Multiscale Analysis for Improving Texture Classification [62.226224120400026]
  本稿では,テクスチャの異なる空間周波数帯域を別々に扱うために,ガウス・ラプラシアピラミッドを用いる。 バイオインスパイアされたテクスチャ記述子,情報理論測度,灰色レベルの共起行列特徴,ハリリック統計特徴から抽出した特徴を特徴ベクトルに集約した。
  論文  参考訳（メタデータ） (2022-04-21T01:32:22Z)
• Structure First Detail Next: Image Inpainting with Pyramid Generator [26.94101909283021]
  いくつかのサブジェネレータを積み重ねてピラミッドジェネレータを構築することを提案する。 低層サブジェネレータは画像構造の復元に重点を置いており、高層サブジェネレータは画像の詳細を強調する。 我々の手法は、徐々に穴の大きさを拡大し、大きな穴の画像の復元を可能にする学習手法を持っている。
  論文  参考訳（メタデータ） (2021-06-16T16:00:16Z)
• Generator Pyramid for High-Resolution Image Inpainting [12.915306385626828]
  大きな穴を持つ高解像度画像の塗り絵は、既存のディープラーニングベースの画像の塗り絵に挑戦する。 コンテンツ補完とテクスチャ合成を明確に切り離した,高分解能画像インペイントタスクのための新しいフレームワーク - PyramidFillを提案する。 我々のモデルは完全な畳み込み型GANのピラミッドで構成されており、GANは最小解像度のマスク画像のコンテンツを完成させる責任を負い、GANは高解像度の画像のテクスチャを合成する責任を負う。
  論文  参考訳（メタデータ） (2020-12-04T03:27:48Z)
• Region-adaptive Texture Enhancement for Detailed Person Image Synthesis [86.69934638569815]
  RATE-Netは、シャープなテクスチャで人物画像を合成するための新しいフレームワークである。 提案するフレームワークは,テクスチャ強化モジュールを利用して,画像から外観情報を抽出する。 DeepFashionベンチマークデータセットで実施された実験は、既存のネットワークと比較して、我々のフレームワークの優位性を実証した。
  論文  参考訳（メタデータ） (2020-05-26T02:33:21Z)
• Underwater Image Enhancement Based on Structure-Texture Reconstruction [1.7868995105624021]
  構造・テクスチャ再構成に基づく水中画像強調アルゴリズムを提案する。 実験の結果, 水中画像の色調, 彩度, 明度を効果的にバランスできることがわかった。
  論文  参考訳（メタデータ） (2020-04-11T15:52:07Z)
• Deep 3D Capture: Geometry and Reflectance from Sparse Multi-View Images [59.906948203578544]
  本稿では,任意の物体の高品質な形状と複雑な空間変化を持つBRDFを再構成する学習に基づく新しい手法を提案する。 まず、深層多視点ステレオネットワークを用いて、ビューごとの深度マップを推定する。 これらの深度マップは、異なるビューを粗く整列するために使用される。 本稿では,新しい多視点反射率推定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） (2020-03-27T21:28:54Z)

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。