Fugu-MT 論文翻訳(概要): Image Harmonization with Diffusion Model

論文の概要: Image Harmonization with Diffusion Model

arxiv url: http://arxiv.org/abs/2306.10441v1
Date: Sat, 17 Jun 2023 23:23:52 GMT
ステータス: 処理完了
システム内更新日: 2023-06-21 20:42:17.776484
Title: Image Harmonization with Diffusion Model
Title（参考訳）: 拡散モデルによる画像調和
Authors: Jiajie Li, Jian Wang, Chen Wang, Jinjun Xiong
Abstract要約: 前景と背景の間の一貫性のない照明条件は、しばしば非現実的な合成物をもたらす。拡散モデルを用いた画像調和のための新しい手法を提案する。
参考スコア（独自算出の注目度）: 26.183879349798588
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Image composition in image editing involves merging a foreground image with a background image to create a composite. Inconsistent lighting conditions between the foreground and background often result in unrealistic composites. Image harmonization addresses this challenge by adjusting illumination and color to achieve visually appealing and consistent outputs. In this paper, we present a novel approach for image harmonization by leveraging diffusion models. We conduct a comparative analysis of two conditional diffusion models, namely Classifier-Guidance and Classifier-Free. Our focus is on addressing the challenge of adjusting illumination and color in foreground images to create visually appealing outputs that seamlessly blend with the background. Through this research, we establish a solid groundwork for future investigations in the realm of diffusion model-based image harmonization.
Abstract（参考訳）: 画像編集における画像合成は、前景画像と背景画像とを融合して合成を生成する。前景と背景の一貫性のない照明条件は、しばしば非現実的な複合材料をもたらす。画像調和は、視覚的に魅力的で一貫した出力を達成するために照明と色を調整することでこの課題に対処する。本稿では拡散モデルを利用した画像調和のための新しい手法を提案する。本研究では,2つの条件拡散モデル,すなわち分類器ガイドと分類器フリーの比較分析を行う。私たちの焦点は、前景画像の照明と色を調整するという課題に対処し、背景とシームレスに融合する視覚的に魅力的なアウトプットを作り出すことです。本研究により,拡散モデルに基づく画像調和の領域における今後の研究の基盤を固める。

関連論文リスト

Oscillation Inversion: Understand the structure of Large Flow Model through the Lens of Inversion Method [60.88467353578118]
実世界のイメージを逆転させる固定点インスパイアされた反復的アプローチは収束を達成せず、異なるクラスタ間で振動することを示す。本稿では,画像強調,ストロークベースのリカラー化,および視覚的プロンプト誘導画像編集を容易にする,シンプルで高速な分布転送手法を提案する。
論文参考訳（メタデータ） (2024-11-17T17:45:37Z)
Retinex-Diffusion: On Controlling Illumination Conditions in Diffusion Models via Retinex Theory [19.205929427075965]
我々は,拡散モデルをブラックボックス画像レンダリングとして概念化し,そのエネルギー関数を画像形成モデルに沿って戦略的に分解する。これは、キャストシャドウ、ソフトシャドウ、反射間など、現実的な照明効果を持つ画像を生成する。
論文参考訳（メタデータ） (2024-07-29T03:15:07Z)
FreeCompose: Generic Zero-Shot Image Composition with Diffusion Prior [50.0535198082903]
我々は,複数の入力イメージを単一のコヒーレントなイメージに統合する,新しい画像合成手法を提案する。本稿では, 大規模事前学習拡散モデルに内在する強力な生成的前駆体を利用して, 汎用画像合成を実現する可能性を示す。
論文参考訳（メタデータ） (2024-07-06T03:35:43Z)
DiffHarmony: Latent Diffusion Model Meets Image Harmonization [11.500358677234939]
拡散モデルは画像から画像への翻訳タスクの迅速な開発を促進する。スクラッチからの微調整事前学習潜伏拡散モデルは計算集約的である。本稿では,事前学習した潜伏拡散モデルを画像調和タスクに適用し,調和性はあるが曖昧な初期画像を生成する。
論文参考訳（メタデータ） (2024-04-09T09:05:23Z)
Relightful Harmonization: Lighting-aware Portrait Background Replacement [23.19641174787912]
背景画像を用いた背景像に対する高度な照明効果をシームレスに調和させるライティング対応拡散モデルであるRelightful Harmonizationを導入する。まず、拡散モデルを用いて、対象画像の背景から照明情報をエンコードする照明表現モジュールを導入する。第2に、画像背景から学習した照明特徴と、パノラマ環境マップから学習した照明特徴とを整列するアライメントネットワークを導入する。
論文参考訳（メタデータ） (2023-12-11T23:20:31Z)
Intrinsic Harmonization for Illumination-Aware Compositing [0.7366405857677227]
固有画像領域で定式化された自己教師付き照明調和方式を提案する。まず、中間レベルの視覚表現から簡単な大域照明モデルを推定し、前景領域の粗いシェーディングを生成する。ネットワークはこの推論シェーディングを洗練し、背景のシーンと整合する再シェーディングを生成する。
論文参考訳（メタデータ） (2023-12-06T18:59:03Z)
Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction [75.91471250967703]
我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。このフレームワークは、利用可能な測定によって提供される情報のみに基づいて、画像再構成と並行して拡散モデルを適用する。様々な画像モダリティにまたがるアウト・オブ・ディストリビューション性能の大幅な向上を実現した。
論文参考訳（メタデータ） (2023-08-28T08:47:06Z)
ControlCom: Controllable Image Composition using Diffusion Model [45.48263800282992]
1つの拡散モデルにおいて4つのタスクを統一する制御可能な画像合成法を提案する。また,拡散モデルにおける前景の詳細を強化するために,局所的な拡張モジュールを提案する。提案手法は,公開ベンチマークと実世界のデータの両方を用いて評価する。
論文参考訳（メタデータ） (2023-08-19T14:56:44Z)
Person Image Synthesis via Denoising Diffusion Model [116.34633988927429]
本研究では,高忠実度人物画像合成に拡散モデルをいかに応用できるかを示す。 2つの大規模ベンチマークとユーザスタディの結果は、挑戦的なシナリオ下で提案したアプローチのフォトリアリズムを実証している。
論文参考訳（メタデータ） (2022-11-22T18:59:50Z)
Image Harmonization with Region-wise Contrastive Learning [51.309905690367835]
本稿では,外部スタイルの融合と領域単位のコントラスト学習方式を備えた新しい画像調和フレームワークを提案する。提案手法は, 前景と背景の相互情報を最大化することにより, 対応する正と負のサンプルをまとめることを試みる。
論文参考訳（メタデータ） (2022-05-27T15:46:55Z)
SSH: A Self-Supervised Framework for Image Harmonization [97.16345684998788]
我々は、編集せずに「自由」な自然画像だけで訓練できる新しい自己改善調和フレームワーク(SSH)を提案する。提案したSSHは,基準指標,視覚的品質,主観的ユーザスタディにおいて,従来の最先端手法よりも優れていた。
論文参考訳（メタデータ） (2021-08-15T19:51:33Z)

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。