Fugu-MT 論文翻訳(概要): Line Art Colorization of Fakemon using Generative Adversarial Neural Networks

論文の概要: Line Art Colorization of Fakemon using Generative Adversarial Neural Networks

arxiv url: http://arxiv.org/abs/2307.05760v1
Date: Tue, 11 Jul 2023 19:30:09 GMT
ステータス: 処理完了
システム内更新日: 2023-07-13 15:07:09.442433
Title: Line Art Colorization of Fakemon using Generative Adversarial Neural Networks
Title（参考訳）: 生成逆ニューラルネットワークを用いたフェイクモンのラインアートカラー化
Authors: Erick Oliveira Rodrigues and Esteban Clua and Giovani Bernardes Vitor
Abstract要約: 本研究は、アニメのような怪獣であるフェイクモンのイメージをカラー化するための完全な手法を提案する。また,カラー画像から線画を抽出するアルゴリズムと,カラーヒントを抽出するアルゴリズムを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This work proposes a complete methodology to colorize images of Fakemon, anime-style monster-like creatures. In addition, we propose algorithms to extract the line art from colorized images as well as to extract color hints. Our work is the first in the literature to use automatic color hint extraction, to train the networks specifically with anime-styled creatures and to combine the Pix2Pix and CycleGAN approaches, two different generative adversarial networks that create a single final result. Visual results of the colorizations are feasible but there is still room for improvement.
Abstract（参考訳）: 本研究は、アニメのような怪獣の像を彩色する完全な手法を提案する。また,カラー画像からラインアートを抽出し,カラーヒントを抽出するアルゴリズムを提案する。我々の研究は、自動的な色のヒント抽出を使い、アニメスタイルの生物とネットワークを訓練し、Pix2PixとCycleGANのアプローチを組み合わせ、単一の最終結果を生み出す2つの異なる生成的敵ネットワークである。カラー化の視覚的な結果は実現可能だが、改善の余地はまだある。

関連論文リスト

Paint Bucket Colorization Using Anime Character Color Design Sheets [72.66788521378864]
ネットワークがセグメント間の関係を理解することができる包摂的マッチングを導入する。ネットワークのトレーニングパイプラインは、カラー化と連続フレームカラー化の両方のパフォーマンスを著しく向上させる。ネットワークのトレーニングをサポートするために、PaintBucket-Characterというユニークなデータセットを開発しました。
論文参考訳（メタデータ） (2024-10-25T09:33:27Z)
Learning Inclusion Matching for Animation Paint Bucket Colorization [76.4507878427755]
ネットワークにセグメント間の包摂関係を理解するための,学習に基づく新たな包摂的マッチングパイプラインを導入する。提案手法では,粗いカラーワープモジュールと包括的マッチングモジュールを統合した2段階のパイプラインを特徴とする。ネットワークのトレーニングを容易にするため,PaintBucket-Characterと呼ばれるユニークなデータセットも開発した。
論文参考訳（メタデータ） (2024-03-27T08:32:48Z)
SPDGAN: A Generative Adversarial Network based on SPD Manifold Learning for Automatic Image Colorization [1.220743263007369]
生成逆ネットワーク(SPDGAN)を用いたSymmetric Positive Definite (SPD) Manifold Learningに基づく完全自動カラー化手法を提案する。本モデルは,2つの識別器とジェネレータの対角ゲームを確立する。その目標は,残差接続により層間の色情報を失うことなく,偽のカラー化画像を生成することである。
論文参考訳（メタデータ） (2023-12-21T00:52:01Z)
AnimeDiffusion: Anime Face Line Drawing Colorization via Diffusion Models [24.94532405404846]
本稿では,アニメの顔線描画色を自動生成する拡散モデルを用いたAnimeDiffusionという新しい手法を提案する。我々は31696のトレーニングデータと579のテストデータを含むアニメの顔線描画カラー化ベンチマークデータセットを実行する。アニメフェース描画のカラー化において,AnimeDiffusionは最先端のGANモデルよりも優れることを示す。
論文参考訳（メタデータ） (2023-03-20T14:15:23Z)
Contextual Attention Mechanism, SRGAN Based Inpainting System for Eliminating Interruptions from Images [2.894944733573589]
完全な機械学習アプローチを用いて,画像のインペイントのためのエンドツーエンドパイプラインを提案する。まず、YOLOモデルを使用して、画像から削除したいオブジェクトを自動的に識別し、ローカライズします。その後、領域を埋めるためにコンテキストアテンション法を用いたGANモデルにマスク画像とオリジナル画像を提供する。
論文参考訳（メタデータ） (2022-04-06T05:51:04Z)
XCI-Sketch: Extraction of Color Information from Images for Generation of Colored Outlines and Sketches [0.0]
そこで本研究では,彩色スケッチを模倣する2つの手法を提案する。第1の方法は、k平均色クラスタリングによる画像処理技術を適用することで、カラーアウトラインスケッチを描画する。第2の方法は、生成逆数ネットワークを用いて、以前は観測されていなかった画像から色付きスケッチを生成できるモデルを開発する。
論文参考訳（メタデータ） (2021-08-26T02:27:55Z)
HistoGAN: Controlling Colors of GAN-Generated and Real Images via Color Histograms [52.77252727786091]
HistoGANは、GAN生成画像の色を制御するための色ヒストグラムに基づく方法である。我々は、HistoGANを拡張して、実画像を再色する方法を示す。
論文参考訳（メタデータ） (2020-11-23T21:14:19Z)
Semantic-driven Colorization [78.88814849391352]
最近の着色は、白黒画像の着色を学習しながら意味情報を暗黙的に予測する。そこで本研究では,まず,人間の動作をシミュレートして,画像の理解を学習し,色づけする。
論文参考訳（メタデータ） (2020-06-13T08:13:30Z)
Instance-aware Image Colorization [51.12040118366072]
本稿では,インスタンス認識のカラー化を実現する手法を提案する。我々のネットワークアーキテクチャは、市販のオブジェクト検出器を利用して、収穫されたオブジェクト画像を取得する。類似したネットワークを用いて、フルイメージの特徴を抽出し、融合モジュールを適用して最終色を予測する。
論文参考訳（メタデータ） (2020-05-21T17:59:23Z)
Supervised and Unsupervised Learning of Parameterized Color Enhancement [112.88623543850224]
我々は、教師なし学習と教師なし学習の両方を用いて、画像翻訳タスクとしての色強調の問題に取り組む。我々は,MIT-Adobe FiveKベンチマークにおいて,教師付き(ペアデータ)と教師なし(ペアデータ)の2つの画像強調手法と比較して,最先端の結果が得られた。 20世紀初頭の写真や暗黒ビデオフレームに応用することで,本手法の一般化能力を示す。
論文参考訳（メタデータ） (2019-12-30T13:57:06Z)

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。