論文の概要: Latent Feature-Guided Diffusion Models for Shadow Removal

• arxiv url: http://arxiv.org/abs/2312.02156v1
• Date: Mon, 4 Dec 2023 18:59:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-05 13:57:16.791135
• Title: Latent Feature-Guided Diffusion Models for Shadow Removal
• Title（参考訳）: 影除去のための潜在特徴誘導拡散モデル
• Authors: Kangfu Mei and Luis Figueroa and Zhe Lin and Zhihong Ding and Scott Cohen and Vishal M. Patel
• Abstract要約: 本稿では,拡散過程における影領域の詳細を段階的に洗練する,有望なアプローチとして拡散モデルの利用を提案する。 シャドウフリー画像の特徴を継承する学習された潜在特徴空間を条件付けすることで,この処理を改善する。 AISTDデータセット上でRMSEを13%向上させる手法の有効性を示す。
• 参考スコア（独自算出の注目度）: 50.02857194218859
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recovering textures under shadows has remained a challenging problem due to the difficulty of inferring shadow-free scenes from shadow images. In this paper, we propose the use of diffusion models as they offer a promising approach to gradually refine the details of shadow regions during the diffusion process. Our method improves this process by conditioning on a learned latent feature space that inherits the characteristics of shadow-free images, thus avoiding the limitation of conventional methods that condition on degraded images only. Additionally, we propose to alleviate potential local optima during training by fusing noise features with the diffusion network. We demonstrate the effectiveness of our approach which outperforms the previous best method by 13% in terms of RMSE on the AISTD dataset. Further, we explore instance-level shadow removal, where our model outperforms the previous best method by 82% in terms of RMSE on the DESOBA dataset.
• Abstract（参考訳）: 影の下のテクスチャを復元することは、影画像から影のないシーンを推測することが困難であるため、依然として難しい問題である。 本稿では,拡散過程における影領域の細部を徐々に洗練するための有望な手法を提供するため,拡散モデルの利用を提案する。 シャドウフリー画像の特徴を継承する学習潜在特徴空間を条件付けすることにより,劣化画像のみを条件づけする従来の手法の限界を回避することにより,このプロセスを改善する。 さらに,拡散ネットワークにノイズ特徴を融合させることにより,トレーニング中の局所的最適性を軽減することを提案する。 aistdデータセット上のrmseの観点から,従来のベストメソッドを13%上回る効果を示す。 さらにインスタンスレベルのシャドウ除去についても検討し,desobaデータセット上のrmseの点で,これまでの最善のメソッドを82%上回っている。

関連論文リスト

• Generative Portrait Shadow Removal [27.98144439007323]
  我々は,肖像画のイメージを効果的に向上できる高忠実な肖像画影除去モデルを提案する。 また,本手法は,実環境で捕獲した多様な被験者に対して堅牢性を示す。
  論文  参考訳（メタデータ） (2024-10-07T22:09:22Z)
• Diff-Shadow: Global-guided Diffusion Model for Shadow Removal [46.41983327564438]
  高品質なシャドウ除去のためのグローバル誘導拡散モデルDiff-Shadowを提案する。 提案手法はPSNRにおいて,SRDデータセット上での32.33dBから33.69dBへと大きく向上する。
  論文  参考訳（メタデータ） (2024-07-23T06:42:55Z)
• Inhomogeneous illumination image enhancement under ex-tremely low visibility condition [3.534798835599242]
  濃霧を通した画像は、物体の検出や認識の曖昧化といったアプリケーションに不可欠な視覚情報を欠いているため、従来の画像処理手法を妨げている。 本稿では,構造微分・積分フィルタ(F)に基づく背景照明を適応的にフィルタし,信号情報のみを向上させる手法を提案する。 提案手法は, 極めて低視認性条件下で信号の明瞭度を著しく向上し, 既存の技術よりも優れており, 深部霧画像への応用に大きく貢献することを示した。
  論文  参考訳（メタデータ） (2024-04-26T16:09:42Z)
• ReNoise: Real Image Inversion Through Iterative Noising [62.96073631599749]
  本研究では,操作数を増やすことなく,高い品質と操作率の逆転法を導入し,再現精度を向上する。 我々は,近年の高速化拡散モデルを含む様々なサンプリングアルゴリズムとモデルを用いて,Renoise手法の性能を評価する。
  論文  参考訳（メタデータ） (2024-03-21T17:52:08Z)
• Efficient Diffusion Model for Image Restoration by Residual Shifting [63.02725947015132]
  本研究では,画像復元のための新しい,効率的な拡散モデルを提案する。 提案手法は,推論中の後処理の高速化を回避し,関連する性能劣化を回避する。 提案手法は,3つの古典的IRタスクにおける現在の最先端手法よりも優れた,あるいは同等の性能を実現する。
  論文  参考訳（メタデータ） (2024-03-12T05:06:07Z)
• Deshadow-Anything: When Segment Anything Model Meets Zero-shot shadow removal [8.555176637147648]
  画像シャドー除去を実現するために,大規模データセットの一般化を考慮したDeshadow-Anythingを開発した。 拡散モデルは画像の端やテクスチャに沿って拡散し、画像の詳細を保存しながら影を取り除くのに役立つ。 シャドウ除去タスクの実験では、これらの手法が画像復元性能を効果的に向上できることが示されている。
  論文  参考訳（メタデータ） (2023-09-21T01:35:13Z)
• ExposureDiffusion: Learning to Expose for Low-light Image Enhancement [87.08496758469835]
  この研究は、拡散モデルと物理ベースの露光モデルとをシームレスに統合することで、この問題に対処する。 提案手法は,バニラ拡散モデルと比較して性能が大幅に向上し,推論時間を短縮する。 提案するフレームワークは、実際のペア付きデータセット、SOTAノイズモデル、および異なるバックボーンネットワークの両方で動作する。
  論文  参考訳（メタデータ） (2023-07-15T04:48:35Z)
• Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
  拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。 本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
  論文  参考訳（メタデータ） (2023-06-01T03:08:28Z)
• ShadowDiffusion: When Degradation Prior Meets Diffusion Model for Shadow Removal [74.86415440438051]
  画像と劣化先行情報を統合した統合拡散フレームワークを提案する。 SRDデータセット上でのPSNRは31.69dBから34.73dBへと大幅に向上した。
  論文  参考訳（メタデータ） (2022-12-09T07:48:30Z)

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。