論文の概要: Restore Anything Pipeline: Segment Anything Meets Image Restoration

• arxiv url: http://arxiv.org/abs/2305.13093v2
• Date: Sun, 2 Jul 2023 13:42:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-04 13:11:59.455582
• Title: Restore Anything Pipeline: Segment Anything Meets Image Restoration
• Title（参考訳）: あらゆるパイプラインを復元する: segment anythingは画像復元を満たしている
• Authors: Jiaxi Jiang, Christian Holz
• Abstract要約: 本稿では,インタラクティブでオブジェクトごとのイメージ復元手法であるRestore Anything Pipeline (RAP)を紹介する。 RAPは、最新のSegment Anything Model(SAM)によるイメージセグメンテーションを、制御可能なイメージ復元モデルに組み込む。 RAPは最先端の手法に比べて優れた視覚結果をもたらす。
• 参考スコア（独自算出の注目度）: 27.93942383342829
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent image restoration methods have produced significant advancements using deep learning. However, existing methods tend to treat the whole image as a single entity, failing to account for the distinct objects in the image that exhibit individual texture properties. Existing methods also typically generate a single result, which may not suit the preferences of different users. In this paper, we introduce the Restore Anything Pipeline (RAP), a novel interactive and per-object level image restoration approach that incorporates a controllable model to generate different results that users may choose from. RAP incorporates image segmentation through the recent Segment Anything Model (SAM) into a controllable image restoration model to create a user-friendly pipeline for several image restoration tasks. We demonstrate the versatility of RAP by applying it to three common image restoration tasks: image deblurring, image denoising, and JPEG artifact removal. Our experiments show that RAP produces superior visual results compared to state-of-the-art methods. RAP represents a promising direction for image restoration, providing users with greater control, and enabling image restoration at an object level.
• Abstract（参考訳）: 近年,深層学習による画像復元技術が進歩している。 しかし、既存の手法では画像全体を単一の実体として扱う傾向があり、個々のテクスチャ特性を示す画像内の異なるオブジェクトを考慮しない。 既存のメソッドは、通常、異なるユーザの好みに合致しない単一の結果を生成する。 本稿では,ユーザが選択可能な異なる結果を生成するために,制御可能なモデルを組み込んだインタラクティブかつオブジェクト単位の画像復元手法であるRestore Anything Pipeline (RAP)を紹介する。 RAPは、最近のSegment Anything Model(SAM)を通じてイメージセグメンテーションを制御可能なイメージ復元モデルに組み込んで、複数のイメージ復元タスクのためのユーザフレンドリなパイプラインを作成する。 我々は,rapの汎用性を示すため,画像デブラリング,画像デノージング,jpegアーティファクト除去という3つの一般的な画像復元タスクに適用した。 実験の結果,RAPは最先端の手法に比べて優れた視覚効果が得られた。 RAPは、画像復元のための有望な方向を示し、ユーザーがより制御し、オブジェクトレベルで画像復元を可能にする。

関連論文リスト

• UIR-LoRA: Achieving Universal Image Restoration through Multiple Low-Rank Adaptation [50.27688690379488]
  既存の統合手法は、マルチタスク学習問題として、多重劣化画像復元を扱う。 本稿では,複数のローランクアダプタ(LoRA)をベースとした汎用画像復元フレームワークを提案する。 本フレームワークは, 学習前の生成モデルを多段劣化復元のための共有コンポーネントとして利用し, 特定の劣化画像復元タスクに転送する。
  論文  参考訳（メタデータ） (2024-09-30T11:16:56Z)
• InstructIR: High-Quality Image Restoration Following Human Instructions [61.1546287323136]
  本稿では,人間の手書きによる画像復元モデルを導出する手法を提案する。 InstructIRという手法は、いくつかの修復作業において最先端の結果を得る。
  論文  参考訳（メタデータ） (2024-01-29T18:53:33Z)
• Improving Image Restoration through Removing Degradations in Textual Representations [60.79045963573341]
  劣化画像のテキスト表現の劣化を除去し,画像復元を改善するための新たな視点を導入する。 クロスモーダル支援に対処するため,劣化した画像をテキスト表現にマッピングし,劣化を除去する手法を提案する。 特に、画像からテキストへのマッパーとテキスト復元モジュールをCLIP対応のテキストから画像へのモデルに組み込んで、ガイダンスを生成する。
  論文  参考訳（メタデータ） (2023-12-28T19:18:17Z)
• 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)
• ProRes: Exploring Degradation-aware Visual Prompt for Universal Image Restoration [46.87227160492818]
  本稿では、様々な種類の画像分解を統一的な視覚的プロンプトにエンコードする、分解対応のビジュアルプロンプトを提案する。 これらの劣化認識プロンプトは、画像処理の制御を提供し、カスタマイズされた画像復元のための重み付けの組み合わせを可能にする。 次に画像復元のための制御可能なユニバーサルモデルを確立するために,分解認識型視覚プロンプトを活用する。
  論文  参考訳（メタデータ） (2023-06-23T17:59:47Z)
• PromptIR: Prompting for All-in-One Blind Image Restoration [64.02374293256001]
  我々は、オールインワン画像復元のためのプロンプトIR(PromptIR)を提案する。 本手法では, 劣化特異的情報をエンコードするプロンプトを用いて, 復元ネットワークを動的に案内する。 PromptIRは、軽量なプロンプトがほとんどない汎用的で効率的なプラグインモジュールを提供する。
  論文  参考訳（メタデータ） (2023-06-22T17:59:52Z)
• 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)

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。