論文の概要: Optimize and Reduce: A Top-Down Approach for Image Vectorization
- arxiv url: http://arxiv.org/abs/2312.11334v1
- Date: Mon, 18 Dec 2023 16:41:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 19:17:23.560277
- Title: Optimize and Reduce: A Top-Down Approach for Image Vectorization
- Title（参考訳）: 最適化と縮小: 画像ベクトル化のためのトップダウンアプローチ
- Authors: Or Hirschorn, Amir Jevnisek, Shai Avidan
- Abstract要約: 高速かつドメインに依存しないベクトル化へのトップダウンアプローチであるOptimize & Reduce (O&R)を提案する。
O&Rの目的は、B'ezier曲線パラメータを反復的に最適化することで、入力画像のコンパクトな表現を実現することである。
提案手法はドメインに依存しないものであり,固定された形状に対する再現性および知覚的品質の両方において,既存の作品よりも優れることを示す。
- 参考スコア（独自算出の注目度）: 12.998637003026273
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vector image representation is a popular choice when editability and
flexibility in resolution are desired. However, most images are only available
in raster form, making raster-to-vector image conversion (vectorization) an
important task. Classical methods for vectorization are either domain-specific
or yield an abundance of shapes which limits editability and interpretability.
Learning-based methods, that use differentiable rendering, have revolutionized
vectorization, at the cost of poor generalization to out-of-training
distribution domains, and optimization-based counterparts are either slow or
produce non-editable and redundant shapes. In this work, we propose Optimize &
Reduce (O&R), a top-down approach to vectorization that is both fast and
domain-agnostic. O&R aims to attain a compact representation of input images by
iteratively optimizing B\'ezier curve parameters and significantly reducing the
number of shapes, using a devised importance measure. We contribute a benchmark
of five datasets comprising images from a broad spectrum of image complexities
- from emojis to natural-like images. Through extensive experiments on hundreds
of images, we demonstrate that our method is domain agnostic and outperforms
existing works in both reconstruction and perceptual quality for a fixed number
of shapes. Moreover, we show that our algorithm is $\times 10$ faster than the
state-of-the-art optimization-based method.
- Abstract（参考訳）: ベクター画像表現は、編集性と解像度の柔軟性が要求される場合に一般的な選択である。
しかし、ほとんどの画像はラスタ形式でのみ利用可能であり、ラスタからベクトルへの画像変換(ベクトル化)が重要なタスクである。
ベクトル化の古典的手法はドメイン固有か、編集可能性と解釈可能性を制限する多くの形状をもたらす。
異なるレンダリングを使用する学習ベースの手法は、トレーニング外分布領域への一般化が不十分なコストでベクトル化に革命をもたらし、最適化ベースの手法は遅いか、非編集可能で冗長な形状を生成する。
本研究では,高速かつドメインに依存しないベクトル化へのトップダウンアプローチであるOptimize & Reduce (O&R)を提案する。
o&rの目的は、b\'ezier曲線パラメータを反復的に最適化し、重要度尺度を用いて形状数を大幅に削減することで、入力画像のコンパクトな表現を実現することである。
絵文字から自然な画像まで、幅広い画像群からの画像からなる5つのデータセットのベンチマークに貢献する。
多数の画像に対する広範囲な実験を通して,本手法は領域に依存しないものであり,固定数の形状に対する再現性および知覚品質の両方において,既存手法よりも優れていることを示す。
さらに,本アルゴリズムは最先端の最適化手法よりも10ドル高速であることを示す。
関連論文リスト
- SuperSVG: Superpixel-based Scalable Vector Graphics Synthesis [66.44553285020066]
SuperSVGは、高速かつ高精度な画像ベクトル化を実現するスーパーピクセルベースのベクトル化モデルである。
本稿では,2段階の自己学習フレームワークを提案する。そこでは,粗い段階モデルを用いて主構造を再構築し,細部を充実させるために改良段階モデルを用いる。
再現精度と推定時間の観点から, 最先端手法と比較して, 提案手法の優れた性能を示す実験を行った。
論文 参考訳（メタデータ） (2024-06-14T07:43:23Z) - Layered Image Vectorization via Semantic Simplification [46.23779847614095]
本研究は,粗い画像から細部まで原画像を表す層状ベクトルを生成することを目的とした,新しいプログレッシブ画像ベクトル化手法を提案する。
提案手法では,Score Distillation Smplingとセマンティックセグメンテーションを組み合わせて,入力画像の反復的単純化を行う。
提案手法は,局所最小化を回避し,最終出力の細部レベルを調整可能なロバスト最適化を実現する。
論文 参考訳（メタデータ） (2024-06-08T08:54:35Z) - Effective Invertible Arbitrary Image Rescaling [77.46732646918936]
Invertible Neural Networks (INN)は、ダウンスケーリングとアップスケーリングのサイクルを共同で最適化することにより、アップスケーリングの精度を大幅に向上させることができる。
本研究の1つのモデルのみをトレーニングすることにより、任意の画像再スケーリングを実現するために、単純で効果的な非可逆的再スケーリングネットワーク(IARN)を提案する。
LR出力の知覚品質を損なうことなく、双方向任意再スケーリングにおいて最先端(SOTA)性能を実現する。
論文 参考訳（メタデータ） (2022-09-26T22:22:30Z) - A training-free recursive multiresolution framework for diffeomorphic
deformable image registration [6.929709872589039]
変形可能な画像登録のための新しい微分型学習自由アプローチを提案する。
提案するアーキテクチャは設計上は単純で,各解像度で移動像を順次ワープし,最終的に固定像に整列する。
システム全体はエンドツーエンドで、スクラッチから各2つのイメージに最適化されている。
論文 参考訳（メタデータ） (2022-02-01T15:17:17Z) - Differentiable Rendering with Perturbed Optimizers [85.66675707599782]
2Dイメージプロジェクションから3Dシーンを推論することは、コンピュータビジョンにおける中核的な問題の一つだ。
我々の研究は、よく知られた微分可能な定式化とランダムなスムーズなレンダリングの関連性を強調している。
提案手法を3次元シーン再構成に適用し,その利点を6次元ポーズ推定と3次元メッシュ再構成の課題に適用した。
論文 参考訳（メタデータ） (2021-10-18T08:56:23Z) - Spatially-Adaptive Pixelwise Networks for Fast Image Translation [57.359250882770525]
高速かつ効率的な画像-画像変換を目的とした新しいジェネレータアーキテクチャを提案する。
私たちはピクセルワイズネットワークを使用します。つまり、各ピクセルは他のピクセルとは独立して処理されます。
私たちのモデルは最先端のベースラインよりも最大18倍高速です。
論文 参考訳（メタデータ） (2020-12-05T10:02:03Z) - A Flexible Framework for Designing Trainable Priors with Adaptive
Smoothing and Game Encoding [57.1077544780653]
我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。
グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。
このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
論文 参考訳（メタデータ） (2020-06-26T08:34:54Z) - Transforming and Projecting Images into Class-conditional Generative
Networks [44.79971598515697]
本稿では,クラス条件生成ニューラルネットワークの空間に入力画像を投影する手法を提案する。
具体的には、画像翻訳、スケール、大域的な色変換で解決できることを実証する。
提案手法の有効性を実画像に示すとともに,対応するプロジェクションがこれらの画像の編集性の向上に寄与することを示す。
論文 参考訳（メタデータ） (2020-05-04T17:57:47Z) - Learning Deformable Image Registration from Optimization: Perspective,
Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。
我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文 参考訳（メタデータ） (2020-04-30T03:23:45Z) - Image Denoising Using Sparsifying Transform Learning and Weighted
Singular Values Minimization [7.472473280743767]
画像デノイング(IDN)処理では、通常、低ランク特性は重要な画像として扱われる。
低ランクの凸緩和近似として、核ノルムに基づくアルゴリズムとその変種が注目されている。
汎用フレームワークにおける画像領域最小化と変換領域の利点を両立させることで、疎性学習変換法を提案する。
論文 参考訳（メタデータ） (2020-04-02T00:30:29Z) - Optimized Feature Space Learning for Generating Efficient Binary Codes
for Image Retrieval [9.470008343329892]
本稿では,最小クラス内分散と最大クラス間分散を用いた低次元最適化特徴空間の学習手法を提案する。
生成した特徴ベクトルを、人気の反復量子化(ITQ)アプローチでバイナライズし、画像検索のために所望のビット長のバイナリコードを生成するアンサンブルネットワークを提案する。
論文 参考訳（メタデータ） (2020-01-30T15:30:31Z)
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。