論文の概要: DESOBAv2: Towards Large-scale Real-world Dataset for Shadow Generation

• arxiv url: http://arxiv.org/abs/2308.09972v1
• Date: Sat, 19 Aug 2023 10:21:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-22 18:38:16.117562
• Title: DESOBAv2: Towards Large-scale Real-world Dataset for Shadow Generation
• Title（参考訳）: DESOBAv2:シャドウ生成のための大規模実世界のデータセットを目指して
• Authors: Qingyang Liu, Jianting Wang, Li Niu
• Abstract要約: 本研究では,合成画像をよりリアルにするために,挿入された前景オブジェクトに対する可塑性影の生成に焦点をあてる。 既存の小規模なデータセットであるDESOBAを補完するために、DESOBAv2と呼ばれる大規模なデータセットを作成します。
• 参考スコア（独自算出の注目度）: 19.376935979734714
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image composition refers to inserting a foreground object into a background image to obtain a composite image. In this work, we focus on generating plausible shadow for the inserted foreground object to make the composite image more realistic. To supplement the existing small-scale dataset DESOBA, we create a large-scale dataset called DESOBAv2 by using object-shadow detection and inpainting techniques. Specifically, we collect a large number of outdoor scene images with object-shadow pairs. Then, we use pretrained inpainting model to inpaint the shadow region, resulting in the deshadowed images. Based on real images and deshadowed images, we can construct pairs of synthetic composite images and ground-truth target images. Dataset is available at https://github.com/bcmi/Object-Shadow-Generation-Dataset-DESOBAv2.
• Abstract（参考訳）: 画像構成は、背景画像に前景オブジェクトを挿入して合成画像を得る。 本研究では, 合成画像をよりリアルにするために, 挿入された前景オブジェクトに対して, 妥当な影を生成することに注力する。 既存の小規模データセットであるDESOBAを補完するために、オブジェクトシェードウ検出と塗装技術を用いて、DESOBAv2と呼ばれる大規模データセットを作成する。 具体的には,オブジェクトシャドウペアを用いた屋外映像を多数収集する。 そして,事前学習した塗装モデルを用いて影領域を塗装し,デシャドー画像を生成する。 実際の画像とデシャドー画像に基づいて,合成合成画像と接地構造目標画像のペアを構築することができる。 Datasetはhttps://github.com/bcmi/Object-Shadow-Generation-Dataset-DESOBAv2で利用可能である。

関連論文リスト

• MegaScenes: Scene-Level View Synthesis at Scale [69.21293001231993]
  NVS (Scene-level novel view synthesis) は多くの視覚やグラフィックスの応用に基礎を置いている。 MegaScenesと呼ばれるインターネット写真コレクションから大規模なシーンレベルのデータセットを作成し、世界中の動き(SfM)から100K以上の構造を復元する。 我々は、最先端NVS手法の故障事例を分析し、生成一貫性を大幅に改善する。
  論文  参考訳（メタデータ） (2024-06-17T17:55:55Z)
• Shadow Generation for Composite Image Using Diffusion model [16.316311264197324]
  我々は、自然影画像の知識が豊富な基礎モデルに頼っている。 まず、タスクにControlNetを適応させ、次にシャドーインテンシティを改善するためにインテンシティ変調モジュールを提案する。 DESOBAとDESOBAv2データセットと実合成画像の両方の実験結果から,影生成タスクにおけるモデルの有効性が示された。
  論文  参考訳（メタデータ） (2024-03-22T14:27:58Z)
• OpenIllumination: A Multi-Illumination Dataset for Inverse Rendering Evaluation on Real Objects [56.065616159398324]
  我々は,64個のオブジェクトの108K画像を含む実世界のデータセットであるOpenIlluminationを紹介した。 データセットの各画像に対して、正確なカメラパラメータ、照明場真理、前景セグメンテーションマスクを提供する。
  論文  参考訳（メタデータ） (2023-09-14T17:59:53Z)
• Foreground Object Search by Distilling Composite Image Feature [15.771802337102837]
  フォアグラウンドオブジェクトサーチ(FOS)は、ある背景画像に対して互換性のあるフォアグラウンドオブジェクトを見つけることを目的としている。 判別器を用いて合成画像の整合性を予測することにより,競争力のある検索性能が達成できることを示す。 蒸留複合材料(DiscoFOS)を用いた新しいFOS法を提案する。
  論文  参考訳（メタデータ） (2023-08-09T14:43:10Z)
• Shadow Generation with Decomposed Mask Prediction and Attentive Shadow Filling [26.780859992812186]
  我々は、合成画像をよりリアルにするために、挿入された前景オブジェクトに対して可塑性影を生成することに重点を置いている。 既存の小規模データセットを補完するために、レンダリング技術を備えたRdSOBAと呼ばれる大規模データセットを作成します。 我々は、マスク予測と注意影の埋め合わせを備えたDMASNetという2段階ネットワークを設計する。
  論文  参考訳（メタデータ） (2023-06-30T01:32:16Z)
• Scrape, Cut, Paste and Learn: Automated Dataset Generation Applied to Parcel Logistics [58.720142291102135]
  4つのステップでインスタンスセグメンテーションのための合成データセットを生成するために,完全に自動化されたパイプラインを提案する。 まず、人気のある画像検索エンジンから興味ある対象の画像を抽出する。 画像選択には,オブジェクトに依存しない事前処理,手動画像選択,CNNに基づく画像選択の3つの方法を比較する。
  論文  参考訳（メタデータ） (2022-10-18T12:49:04Z)
• Making Images Real Again: A Comprehensive Survey on Deep Image Composition [34.09380539557308]
  画像合成タスクは複数のサブタスクに分割でき、各サブタスクは1つ以上の課題を目標とすることができる。 本稿では,サブタスクの包括的調査と画像合成のブレンディングを行う。 それぞれについて、既存のメソッド、利用可能なデータセット、一般的な評価指標を要約する。
  論文  参考訳（メタデータ） (2021-06-28T09:09:14Z)
• Sparse Pose Trajectory Completion [87.31270669154452]
  サンプルの少ないビューにのみオブジェクトが出現するデータセットを使用しても学習する方法を提案する。 これはクロスモーダルポーズ軌道伝達機構によって実現される。 この手法はPix3DおよびShapeNetデータセット上で評価される。
  論文  参考訳（メタデータ） (2021-05-01T00:07:21Z)
• Shadow Generation for Composite Image in Real-world Scenes [23.532079444113528]
  本稿では,シャドウマスク予測段階とシャドウマスク充填段階からなる新しいシャドウ生成ネットワークsgrnetを提案する。 シャドウマスク予測段階では、フォアグラウンドと背景情報が徹底的に相互作用してフォアグラウンドシャドウマスクを生成する。 シャドウ充填段階では、シャドウパラメータがシャドウ領域を満たすように予測される。
  論文  参考訳（メタデータ） (2021-04-21T03:30:02Z)
• DatasetGAN: Efficient Labeled Data Factory with Minimal Human Effort [117.41383937100751]
  現在のディープネットワークは、大規模なデータセットのトレーニングの恩恵を受ける、非常にデータハングリーです。 GAN潜入コードがどのようにデコードされ、イメージのセマンティックセグメンテーションを生成するかを示す。 これらの生成されたデータセットは、実際のデータセットと同じように、コンピュータビジョンアーキテクチャのトレーニングに使用できます。
  論文  参考訳（メタデータ） (2021-04-13T20:08:29Z)
• BachGAN: High-Resolution Image Synthesis from Salient Object Layout [78.51640906030244]
  本稿では、より実用的な画像生成のための新しい課題である、有能なオブジェクトレイアウトからの高品質な画像合成を提案する。 i) セグメンテーションマップ入力なしできめ細かい詳細と現実的なテクスチャを生成する方法、(ii) バックグラウンドを作成してスタンドアロンのオブジェクトにシームレスに織り込む方法である。 幻影背景表現を動的に生成することにより,高解像度画像をフォトリアリスティック・フォアグラウンドと積分背景の両方で合成することができる。
  論文  参考訳（メタデータ） (2020-03-26T00:54:44Z)

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。