論文の概要: Crowd-Powered Photo Enhancement Featuring an Active Learning Based Local Filter

• arxiv url: http://arxiv.org/abs/2306.09321v1
• Date: Thu, 15 Jun 2023 17:55:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-16 13:16:01.011571
• Title: Crowd-Powered Photo Enhancement Featuring an Active Learning Based Local Filter
• Title（参考訳）: 能動学習に基づく局所フィルタを用いた群集型写真強調
• Authors: Satoshi Kosugi, Toshihiko Yamasaki
• Abstract要約: コンテンツ認識型ローカルエンハンスメントのための,クラウドを利用したローカルエンハンスメント手法を提案する。 パラメータの局所最適化を容易にするために,能動的学習に基づく局所フィルタを提案する。 実験の結果,提案フィルタは既存のフィルタよりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 42.400427631514596
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study, we address local photo enhancement to improve the aesthetic quality of an input image by applying different effects to different regions. Existing photo enhancement methods are either not content-aware or not local; therefore, we propose a crowd-powered local enhancement method for content-aware local enhancement, which is achieved by asking crowd workers to locally optimize parameters for image editing functions. To make it easier to locally optimize the parameters, we propose an active learning based local filter. The parameters need to be determined at only a few key pixels selected by an active learning method, and the parameters at the other pixels are automatically predicted using a regression model. The parameters at the selected key pixels are independently optimized, breaking down the optimization problem into a sequence of single-slider adjustments. Our experiments show that the proposed filter outperforms existing filters, and our enhanced results are more visually pleasing than the results by the existing enhancement methods. Our source code and results are available at https://github.com/satoshi-kosugi/crowd-powered.
• Abstract（参考訳）: 本研究では,異なる領域に異なる効果を施すことにより,入力画像の美的品質を向上させるための局所光強調について検討する。 既存の写真強調手法は、コンテンツ認識されていないかローカルではないかのいずれかであり、観客に画像編集機能のパラメータを局所的に最適化するよう求めることで実現された、コンテンツ認識ローカル拡張のためのクラウド・パワーのローカル・エンハンスメント手法を提案する。 パラメータの局所最適化を容易にするために,能動的学習に基づく局所フィルタを提案する。 アクティブラーニング法により選択された数個のキー画素でパラメータを決定する必要があり、他の画素におけるパラメータは回帰モデルを用いて自動的に予測される。 選択されたキーピクセルのパラメータは独立に最適化され、最適化問題を単一スライダの一連の調整に分解する。 実験の結果,提案フィルタは既存のフィルタよりも優れており,既存の拡張手法による結果よりも視覚的に満足できることがわかった。 ソースコードと結果はhttps://github.com/satoshi-kosugi/crowd-powered.comで入手できます。

関連論文リスト

• Local Descriptors Weighted Adaptive Threshold Filtering For Few-Shot Learning [0.0]
  画像の分類はほとんどないが、機械学習の分野では難しい課題だ。 本稿では,局所記述子に対する革新的な重み付け適応しきい値フィルタリング(WATF)戦略を提案する。 本手法は、学習可能なパラメータを追加せずに、シンプルで軽量な設計哲学を維持している。
  論文  参考訳（メタデータ） (2024-08-28T16:36:23Z)
• Prompt-Guided Image-Adaptive Neural Implicit Lookup Tables for Interpretable Image Enhancement [4.233370898095789]
  解釈可能な画像強調は、"Exposure"や"Contrast"といった理解しやすい名前でフィルタパラメータを調整することで、画質を向上させる技術である。 入力特徴空間から出力色空間への変換を暗黙的に定義するために,多層パーセプトロンを用いた画像適応型ニューラル暗黙検索テーブルを導入する。 本研究では,視覚モデルと言語モデルを用いて,露出やコントラストなどの強調結果の視覚的印象を導出プロンプトとともに評価する。
  論文  参考訳（メタデータ） (2024-08-20T17:59:01Z)
• 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)
• When A Conventional Filter Meets Deep Learning: Basis Composition Learning on Image Filters [20.506636435344333]
  そこで本稿では,最適な公式を自動決定するために,単一画像フィルタを用いた基底合成学習を提案する。 提案手法は,ユーザフレンドリなフィルタを描画し,低レベル視覚の基本的な問題に有効である。
  論文  参考訳（メタデータ） (2022-03-01T06:34:54Z)
• Universal and Flexible Optical Aberration Correction Using Deep-Prior Based Deconvolution [51.274657266928315]
  そこで本研究では,収差画像とpsfマップを入力とし,レンズ固有深層プリエントを組み込んだ潜在高品質版を生成する,psf対応プラグイン・アンド・プレイ深層ネットワークを提案する。 具体的には、多彩なレンズの集合からベースモデルを事前訓練し、パラメータを迅速に精製して特定のレンズに適応させる。
  論文  参考訳（メタデータ） (2021-04-07T12:00:38Z)
• Look here! A parametric learning based approach to redirect visual attention [49.609412873346386]
  画像領域を微妙な画像編集によってより注目度の高いものにするための自動手法を提案する。 我々のモデルは、前景および背景画像領域に適用可能な、異なるグローバルパラメトリック変換セットを予測する。 編集により、任意の画像サイズでインタラクティブなレートでの推論が可能になり、簡単に動画に一般化できる。
  論文  参考訳（メタデータ） (2020-08-12T16:08:36Z)
• DeepLPF: Deep Local Parametric Filters for Image Enhancement [12.515536526953127]
  本稿では,3種類の空間的局所フィルタを用いて,画像の自動強調手法を提案する。 DeepLPFは、これらの空間的局所化フィルタのパラメータを回帰し、画像を強化するために自動的に適用する。 我々は、複数のベンチマークを報告し、DeepLPFがMIT-Adobe-5Kデータセットの2つの変種に対して最先端のパフォーマンスを生成することを示す。
  論文  参考訳（メタデータ） (2020-03-31T06:51:21Z)
• Attentive CutMix: An Enhanced Data Augmentation Approach for Deep Learning Based Image Classification [58.20132466198622]
  そこで我々は,CutMixに基づく自然拡張拡張戦略であるAttentive CutMixを提案する。 各トレーニングイテレーションにおいて、特徴抽出器から中間注意マップに基づいて最も記述性の高い領域を選択する。 提案手法は単純かつ有効であり,実装が容易であり,ベースラインを大幅に向上させることができる。
  論文  参考訳（メタデータ） (2020-03-29T15:01:05Z)
• Progressive Local Filter Pruning for Image Retrieval Acceleration [43.97722250091591]
  画像検索高速化のための新しいプログレッシブ・ローカルフィルタ・プルーニング(PLFP)法を提案する。 具体的には、各フィルタの局所的な幾何学的性質を分析し、隣人に置き換えられるものを選択する。 このように、モデルの表現能力は保持される。
  論文  参考訳（メタデータ） (2020-01-24T04:28:44Z)
• Recognizing Instagram Filtered Images with Feature De-stylization [81.38905784617089]
  本稿では,Instagramのフィルターによって,事前学習モデルがどのような影響を受けているかについて検討する。 画像のグローバルな外観を変えるだけの単純な構造保存フィルタは、畳み込み特徴空間に大きな違いをもたらす可能性が示唆された。 我々は,特徴マップのスケーリングとシフトに使用されるパラメータを予測し,フィルタによって引き起こされる変化を“無視”する,軽量なデスティル化モジュールを導入する。
  論文  参考訳（メタデータ） (2019-12-30T16:48:16Z)

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。