論文の概要: Transforming Pixels into a Masterpiece: AI-Powered Art Restoration using
a Novel Distributed Denoising CNN (DDCNN)
- arxiv url: http://arxiv.org/abs/2310.05270v1
- Date: Sun, 8 Oct 2023 19:59:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 08:50:51.762028
- Title: Transforming Pixels into a Masterpiece: AI-Powered Art Restoration using
a Novel Distributed Denoising CNN (DDCNN)
- Title（参考訳）: 画素をマスターピースに変換する:新しい分散Denoising CNN(DDCNN)を用いたAIによるアート復元
- Authors: Sankar B., Mukil Saravanan, Kalaivanan Kumar, Siri Dubbaka
- Abstract要約: 本稿では,ディープラーニング,特に畳み込みニューラルネットワーク(CNN)とコンピュータビジョン技術を用いた革新的なアプローチを提案する。
このデータセットは、複雑な詳細を保持しながら歪みを取り除くためにDistributed Denoising CNN(DDCNN)をトレーニングする。
本手法は様々な歪みの種類やレベルに適応し, 様々な劣化したアートワークに適している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Art restoration is crucial for preserving cultural heritage, but traditional
methods have limitations in faithfully reproducing original artworks while
addressing issues like fading, staining, and damage. We present an innovative
approach using deep learning, specifically Convolutional Neural Networks
(CNNs), and Computer Vision techniques to revolutionize art restoration. We
start by creating a diverse dataset of deteriorated art images with various
distortions and degradation levels. This dataset trains a Distributed Denoising
CNN (DDCNN) to remove distortions while preserving intricate details. Our
method is adaptable to different distortion types and levels, making it
suitable for various deteriorated artworks, including paintings, sketches, and
photographs. Extensive experiments demonstrate our approach's efficiency and
effectiveness compared to other Denoising CNN models. We achieve a substantial
reduction in distortion, transforming deteriorated artworks into masterpieces.
Quantitative evaluations confirm our method's superiority over traditional
techniques, reshaping the art restoration field and preserving cultural
heritage. In summary, our paper introduces an AI-powered solution that combines
Computer Vision and deep learning with DDCNN to restore artworks accurately,
overcoming limitations and paving the way for future advancements in art
restoration.
- Abstract（参考訳）: 芸術修復は文化遺産の保存に欠かせないが、伝統的な手法は、衰退、染色、損傷といった問題に対処しながら、オリジナルアートを忠実に再現することに限界がある。
本稿では,深層学習,特に畳み込みニューラルネットワーク(cnns)とコンピュータビジョン技術を用いて,芸術修復に革命をもたらす革新的なアプローチを提案する。
まず、さまざまな歪みと劣化レベルのアート画像の多様なデータセットを作成します。
このデータセットは、複雑な詳細を保持しながら歪みを取り除くためにDistributed Denoising CNN(DDCNN)をトレーニングする。
本手法は様々な歪みの種類やレベルに適応し,絵画,スケッチ,写真など,様々な劣化したアートワークに適合する。
大規模な実験は、他のDenoising CNNモデルと比較して、我々のアプローチの効率と有効性を示している。
歪みを大幅に減らし、劣化したアートワークを傑作に変換する。
定量的評価により, 従来の技術よりも優越し, 修復の場を再構築し, 文化遺産の保存を図った。
要約すると,コンピュータビジョンと深層学習を併用したAIを活用したソリューションをDDCNNに導入し,限界を克服し,将来的な芸術修復の道を開く。
関連論文リスト
- Scaling Up to Excellence: Practicing Model Scaling for Photo-Realistic Image Restoration In the Wild [57.06779516541574]
SUPIR (Scaling-UP Image Restoration) は、生成前処理とモデルスケールアップのパワーを利用する、画期的な画像復元手法である。
モデルトレーニングのための2000万の高解像度高画質画像からなるデータセットを収集し、それぞれに記述的テキストアノテーションを付加する。
論文 参考訳（メタデータ） (2024-01-24T17:58:07Z) - SPIRE: Semantic Prompt-Driven Image Restoration [66.26165625929747]
セマンティック・復元型画像復元フレームワークであるSPIREを開発した。
本手法は,復元強度の量的仕様を言語ベースで記述することで,より詳細な指導を支援する最初のフレームワークである。
本実験は, SPIREの修復性能が, 現状と比較して優れていることを示すものである。
論文 参考訳（メタデータ） (2023-12-18T17:02:30Z) - Adaptation of the super resolution SOTA for Art Restoration in camera
capture images [0.0]
我々は、拡散モデル(DM)に基づく画像超解像の現況に適応し、画像復元のための微調整を行う。
以上の結果から, 異なる種類の劣化に対して複数のモデルを微調整する代わりに, 超解像を微調整することがわかった。
論文 参考訳（メタデータ） (2023-09-24T14:47:29Z) - Diffusion Based Augmentation for Captioning and Retrieval in Cultural
Heritage [28.301944852273746]
本稿では,文化遺産領域における限られた注釈付きデータとドメインシフトの課題に対処する新しいアプローチを提案する。
生成的視覚言語モデルを活用することで、キャプションに条件付けされた多種多様なアート作品を生成することにより、アートデータセットを増強する。
論文 参考訳（メタデータ） (2023-08-14T13:59:04Z) - All-in-one Multi-degradation Image Restoration Network via Hierarchical
Degradation Representation [47.00239809958627]
我々は新しいオールインワン・マルチデグレーション画像復元ネットワーク(AMIRNet)を提案する。
AMIRNetは、クラスタリングによって木構造を段階的に構築することで、未知の劣化画像の劣化表現を学習する。
この木構造表現は、様々な歪みの一貫性と不一致を明示的に反映しており、画像復元の具体的な手がかりとなっている。
論文 参考訳（メタデータ） (2023-08-06T04:51:41Z) - Deep image prior inpainting of ancient frescoes in the Mediterranean
Alpine arc [0.3958317527488534]
DIPベースの塗り絵は、アーティファクトを減らし、文脈的/非局所的な情報に適応し、美術史家にとって貴重なツールを提供する。
本研究では,地中海アルプス弧のいくつかの礼拝堂に位置する中世絵画の高度に損傷を受けたデジタル画像のデータセットに,欠落した画像内容の再構成を行う。
論文 参考訳（メタデータ） (2023-06-25T11:19:47Z) - Learning to Evaluate the Artness of AI-generated Images [64.48229009396186]
アートスコア(ArtScore)は、アーティストによる本物のアートワークと画像がどの程度似ているかを評価するために設計されたメトリクスである。
我々は、写真とアートワークの生成のために事前訓練されたモデルを採用し、一連の混合モデルを生み出した。
このデータセットはニューラルネットワークのトレーニングに使用され、任意の画像の定量化精度レベルを推定する方法を学ぶ。
論文 参考訳（メタデータ） (2023-05-08T17:58:27Z) - A domain adaptive deep learning solution for scanpath prediction of
paintings [66.46953851227454]
本稿では,ある絵画の視覚的体験における視聴者の眼球運動分析に焦点を当てた。
我々は、人間の視覚的注意を予測するための新しいアプローチを導入し、人間の認知機能に影響を及ぼす。
提案した新しいアーキテクチャは、画像を取り込んでスキャンパスを返す。
論文 参考訳（メタデータ） (2022-09-22T22:27:08Z) - Variational Deep Image Restoration [20.195082841065947]
本稿では,画像復元のための新しい変分推論フレームワークと,提案フレームワークで記述した復元問題を解決する畳み込みニューラルネットワーク(CNN)構造を提案する。
具体的には,ガウス雑音の除去,実環境雑音の低減,ブラインド画像の超解像,JPEG圧縮アーティファクトの低減について,最先端の性能を提供する。
論文 参考訳（メタデータ） (2022-07-03T16:32:15Z) - Editorial: Introduction to the Issue on Deep Learning for Image/Video
Restoration and Compression [87.64420920726998]
この特別号では、学習された画像/映像の復元と圧縮における技術の現状を取り上げている。
近年の研究では、学習したモデルが大幅な性能向上を達成できることが示されている。
論文 参考訳（メタデータ） (2021-02-09T11:24:20Z) - LIRA: Lifelong Image Restoration from Unknown Blended Distortions [33.91806781681914]
そこで本研究では,ブレンド歪みに対する生涯画像復元問題を提案する。
まず,個別歪み除去タスクを専門とする複数の事前訓練されたエキスパートモデルを協調的に動作させるベースフォークジョイントモデルを設計する。
我々は、以前トレーニングされたモデルが新しいエキスパートブランチを組み込んで、新しい知識を継続的に蓄積する神経成長戦略を開発する。
論文 参考訳（メタデータ） (2020-08-19T03:35:45Z)
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。