Fugu-MT 論文翻訳(概要): Latent Painter

論文の概要: Latent Painter

arxiv url: http://arxiv.org/abs/2308.16490v2
Date: Fri, 1 Sep 2023 23:37:46 GMT
ステータス: 処理完了
システム内更新日: 2023-09-07 02:05:53.442856
Title: Latent Painter
Title（参考訳）: 潜伏画家
Authors: Shih-Chieh Su
Abstract要約: ラテンディフューザーは、生成的AIに革命を起こし、創造的芸術にインスピレーションを与えた。この作品では、ラテント絵画をキャンバスとして使用し、ディフューザ予測を計画として、絵画アニメーションを生成するラテント絵画を提示する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Latent diffusers revolutionized the generative AI and inspired creative art. When denoising the latent, the predicted original image at each step collectively animates the formation. However, the animation is limited by the denoising nature of the diffuser, and only renders a sharpening process. This work presents Latent Painter, which uses the latent as the canvas, and the diffuser predictions as the plan, to generate painting animation. Latent Painter also transits one generated image to another, which can happen between images from two different sets of checkpoints.
Abstract（参考訳）: ラテンディフューザーは生成的AIに革命を起こし、創造的芸術にインスピレーションを与えた。潜伏音を消音するとき、各ステップの予測された原画像は、集合的に形成をアニミュレートする。しかし、アニメーションはディフューザの難読化の性質によって制限され、シャープ化プロセスのみを描画する。本書では,潜伏をキャンバスとして,ディフューザ予測を計画として,絵画アニメーションを生成する潜伏画家について紹介する。潜伏画家はまた、生成した画像を別の画像に転送し、2つの異なるチェックポイントからのイメージ間で発生する。

関連論文リスト

Inverse Painting: Reconstructing The Painting Process [24.57538165449989]
我々はこれを自己回帰画像生成問題として定式化し、初期空白の「キャンバス」を反復的に更新する。モデルは、多くのペイントビデオのトレーニングによって、実際のアーティストから学習する。
論文参考訳（メタデータ） (2024-09-30T17:56:52Z)
Photorealistic Object Insertion with Diffusion-Guided Inverse Rendering [56.68286440268329]
現実世界のシーンの画像に仮想オブジェクトを正しく挿入するには、シーンの照明、幾何学、材料を深く理解する必要がある。本稿では,物理ベースの逆レンダリングプロセスへのガイダンスとして,パーソナライズされた大規模拡散モデルを提案する。本手法は,シーンライティングとトーンマッピングのパラメータを復元し,任意の仮想オブジェクトの光リアルな構成を室内や屋外のシーンの単一フレームやビデオで再現する。
論文参考訳（メタデータ） (2024-08-19T05:15:45Z)
ProcessPainter: Learn Painting Process from Sequence Data [27.9875429986135]
画家の絵画の過程は本質的に段階的に変化しており、異なる画家や様式によって大きく異なる。従来のストロークベースのレンダリング手法は、画像をブラシストロークのシーケンスに分解するが、アーティストの真正なプロセスの複製には不十分である。 ProcessPainterは、最初は合成データに基づいて事前訓練され、その後、特定のアーティストの絵のシーケンスで微調整されるテキスト・ビデオ・モデルである。
論文参考訳（メタデータ） (2024-06-10T07:18:41Z)
Move Anything with Layered Scene Diffusion [77.45870343845492]
拡散サンプリング過程におけるシーン表現を最適化するために,SceneDiffusionを提案する。我々の重要な洞察は、異なる空間配置のシーンレンダリングを共同でデノベートすることで、空間的ゆがみを得ることができることである。生成したシーンは、移動、再サイズ、クローニング、レイヤーワイドな外観編集操作を含む、幅広い空間編集操作をサポートする。
論文参考訳（メタデータ） (2024-04-10T17:28:16Z)
Fill in the ____ (a Diffusion-based Image Inpainting Pipeline) [0.0]
塗り絵は、画像を撮り、失った、または故意に隠された部分を生成する過程である。現代の塗装技術は、有能な完成物を生成する際、顕著な能力を示している。既存のモデルにおける重要なギャップに対処し、何が正確に生成されたかをプロンプトし制御する能力に焦点を当てる。
論文参考訳（メタデータ） (2024-03-24T05:26:55Z)
Improving Diffusion Models for Authentic Virtual Try-on in the Wild [53.96244595495942]
本稿では,キュレートされた衣服を身に着けている人のイメージをレンダリングする,イメージベースの仮想試行について考察する。衣服の忠実度を改善し,仮想試行画像を生成する新しい拡散モデルを提案する。本稿では,一対の人着画像を用いたカスタマイズ手法を提案する。
論文参考訳（メタデータ） (2024-03-08T08:12:18Z)
Gradpaint: Gradient-Guided Inpainting with Diffusion Models [71.47496445507862]
Denoising Diffusion Probabilistic Models (DDPM) は近年,条件付きおよび非条件付き画像生成において顕著な成果を上げている。我々はGradPaintを紹介し、グローバルな一貫性のあるイメージに向けて世代を操る。我々は、様々なデータセットで訓練された拡散モデルによく適応し、現在最先端の教師付きおよび教師なしの手法を改善している。
論文参考訳（メタデータ） (2023-09-18T09:36:24Z)
Stroke-based Neural Painting and Stylization with Dynamically Predicted Painting Region [66.75826549444909]
ストロークベースのレンダリングは、ストロークのセットで画像を再現することを目的としている。本研究では,現在のキャンバスに基づいて絵画領域を予測する合成ニューラルネットワークを提案する。我々は、新しい微分可能な距離変換損失を伴って、ストロークベースのスタイル転送に拡張する。
論文参考訳（メタデータ） (2023-09-07T06:27:39Z)
PaintSeg: Training-free Segmentation via Painting [50.17936803209125]
PaintSegは、トレーニングなしでオブジェクトをセグメンテーションするための新しい教師なしのメソッドである。前者は前景をマスキングして背景を埋め、後者は前景の欠落部分を回復しながら背景をマスキングする。実験の結果、PaintSegは、粗いマスクプロンプト、ボックスプロンプト、ポイントプロンプトセグメンテーションタスクにおいて、既存のアプローチよりも優れていることが示された。
論文参考訳（メタデータ） (2023-05-30T20:43:42Z)
Intelli-Paint: Towards Developing Human-like Painting Agents [19.261822105543175]
そこで本研究では,より人間的な絵画スタイルを示しながら,出力キャンバスの生成を学習する新しい絵画手法を提案する。 Intelli-Paintは1)プログレッシブな階層化戦略から成り、エージェントはまず、各前景オブジェクトをプログレッシブな方法で追加する前に、自然の背景を表現できる。また,筆画エージェントが各画像領域にセマンティック・アウェアで注目を移すのに役立つ,新しいシーケンシャルなブラシストローク誘導戦略を導入する。
論文参考訳（メタデータ） (2021-12-16T14:56:32Z)
Continuation of Famous Art with AI: A Conditional Adversarial Network Inpainting Approach [1.713291434132985]
本研究は,画像インペインティングを応用して,有名な美術品を継続し,コンディショナルGANで生成芸術を制作するものである。塗装GANは、対向的・絶対的な差分損失を最小化して、中心作物から原像を復元する学習を行う。画像はトリミングではなくリサイズされ、ジェネレータへの入力として提示される。学習プロセスの後、ジェネレータは元の部品の端から連続して新しい画像を生成する。
論文参考訳（メタデータ） (2021-10-18T10:39:32Z)

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。