論文の概要: Retinex-guided Channel-grouping based Patch Swap for Arbitrary Style Transfer

• arxiv url: http://arxiv.org/abs/2309.10528v1
• Date: Tue, 19 Sep 2023 11:13:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-20 14:54:34.468498
• Title: Retinex-guided Channel-grouping based Patch Swap for Arbitrary Style Transfer
• Title（参考訳）: 任意スタイル転送のためのretinex誘導チャネルグルーピングに基づくパッチスワップ
• Authors: Chang Liu, Yi Niu, Mingming Ma, Fu Li and Guangming Shi
• Abstract要約: パッチマッチングベースのスタイル転送の基本原理は、コンテンツ画像特徴マップのパッチを、スタイル画像特徴マップから最も近いパッチで置き換えることである。 既存の手法では、全チャネルスタイルの特徴パッチを単純な信号テンソルとして扱い、信号レベル融合による新しいスタイルの特徴パッチを作成する。 本稿では、上記の課題を解決するために、チャネルグループベースのパッチスワップスワップ技術であるRetinex理論を提案する。
• 参考スコア（独自算出の注目度）: 54.25418866649519
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The basic principle of the patch-matching based style transfer is to substitute the patches of the content image feature maps by the closest patches from the style image feature maps. Since the finite features harvested from one single aesthetic style image are inadequate to represent the rich textures of the content natural image, existing techniques treat the full-channel style feature patches as simple signal tensors and create new style feature patches via signal-level fusion, which ignore the implicit diversities existed in style features and thus fail for generating better stylised results. In this paper, we propose a Retinex theory guided, channel-grouping based patch swap technique to solve the above challenges. Channel-grouping strategy groups the style feature maps into surface and texture channels, which prevents the winner-takes-all problem. Retinex theory based decomposition controls a more stable channel code rate generation. In addition, we provide complementary fusion and multi-scale generation strategy to prevent unexpected black area and over-stylised results respectively. Experimental results demonstrate that the proposed method outperforms the existing techniques in providing more style-consistent textures while keeping the content fidelity.
• Abstract（参考訳）: パッチマッチングベースのスタイル転送の基本原理は、コンテンツ画像特徴マップのパッチを、スタイル画像特徴マップから最も近いパッチで置き換えることである。 1つの審美的なイメージから得られる有限の特徴は、内容の自然なイメージの豊かなテクスチャを表現するには不十分であるため、既存の手法では、フルチャネルスタイルの特徴パッチを単純な信号テンソルとして扱い、信号レベル融合による新しいスタイルの特徴パッチを作成している。 本稿では,チャネルグループに基づくパッチスワップスワップ手法であるRetinex理論を,上記の課題を解決するために提案する。 チャネルグループ戦略は、スタイルのフィーチャーマップを表面およびテクスチャチャネルにグループ化する。 レチネックス理論に基づく分解は、より安定したチャネル符号生成を制御する。 さらに,予期せぬ黒領域と過度にスタイリングされた結果を防止するため,相補的な融合戦略とマルチスケール生成戦略を提供する。 実験の結果,提案手法は,コンテンツの忠実性を維持しつつ,よりスタイル一貫性のあるテクスチャを提供する上で,既存の手法よりも優れていることがわかった。

関連論文リスト

• ZePo: Zero-Shot Portrait Stylization with Faster Sampling [61.14140480095604]
  本稿では,4つのサンプリングステップでコンテンツとスタイルの融合を実現する拡散モデルに基づく,インバージョンフリーなポートレートスタイリングフレームワークを提案する。 本稿では,一貫性機能における冗長な特徴をマージする機能統合戦略を提案し,注意制御の計算負荷を低減させる。
  論文  参考訳（メタデータ） (2024-08-10T08:53:41Z)
• Region-controlled Style Transfer [3.588126599266807]
  本研究では,損失関数を用いて異なる領域のスタイル強度を制約する学習手法を提案する。 本手法は,スタイル画像とコンテンツ画像の勾配関係に基づいて,異なる領域におけるスタイル特徴の伝達強度を導出する。 また,その意味的関係を保ちながら,コンテンツ特徴をスタイル特徴に類似するように線形に変換する新たな特徴融合手法を提案する。
  論文  参考訳（メタデータ） (2023-10-24T09:11:34Z)
• Learning Graph Neural Networks for Image Style Transfer [131.73237185888215]
  最先端のパラメトリックおよび非パラメトリックなスタイル転送アプローチは、グローバルな統計アライメントによる局所的なスタイルパターンの歪んだり、パッチミスマッチによるアーティファクトを減らしたりする傾向にある。 本稿では,パラメトリック型と非パラメトリック型の両方のスタイライゼーションの欠如を緩和する,新しい半パラメトリック型ニューラルスタイルトランスファーフレームワークについて検討する。
  論文  参考訳（メタデータ） (2022-07-24T07:41:31Z)
• SAFIN: Arbitrary Style Transfer With Self-Attentive Factorized Instance Normalization [71.85169368997738]
  芸術的スタイル転送は、ある画像のスタイル特性を他の画像に移し、その内容を保持することを目的としている。 自己注意に基づくアプローチは、部分的な成功でこの問題に取り組みましたが、望ましくない成果物に悩まされています。 本論文は,自己意識と正規化という両世界のベストを結合することを目的とする。
  論文  参考訳（メタデータ） (2021-05-13T08:01:01Z)
• Region-adaptive Texture Enhancement for Detailed Person Image Synthesis [86.69934638569815]
  RATE-Netは、シャープなテクスチャで人物画像を合成するための新しいフレームワークである。 提案するフレームワークは,テクスチャ強化モジュールを利用して,画像から外観情報を抽出する。 DeepFashionベンチマークデータセットで実施された実験は、既存のネットワークと比較して、我々のフレームワークの優位性を実証した。
  論文  参考訳（メタデータ） (2020-05-26T02:33:21Z)
• Manifold Alignment for Semantically Aligned Style Transfer [61.1274057338588]
  我々は,同じ意味領域からの画像特徴が多様体を形成し,複数の意味領域を持つ画像が多次元分布に従うことを仮定する。 この仮定に基づき、スタイル伝達問題は2つの多次元分布の整列として定式化される。 提案したフレームワークは、出力とスタイルイメージの間の意味的に類似した領域を、類似したスタイルパターンを共有することができる。
  論文  参考訳（メタデータ） (2020-05-21T16:52:37Z)

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。