論文の概要: Boundary Attention: Learning to Localize Boundaries under High Noise

• arxiv url: http://arxiv.org/abs/2401.00935v2
• Date: Mon, 18 Mar 2024 23:41:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-20 23:41:33.453519
• Title: Boundary Attention: Learning to Localize Boundaries under High Noise
• Title（参考訳）: 境界注意: 高騒音下で境界を局所化する学習
• Authors: Mia Gaia Polansky, Charles Herrmann, Junhwa Hur, Deqing Sun, Dor Verbin, Todd Zickler,
• Abstract要約: 我々は、境界注意と呼ばれるメカニズムを用いて、曲線、コーナー、ジャンクションを含む明示的な境界を推論する微分可能モデルを提案する。 バウンダリアテンション(Bundary attention)は、境界対応の局所アテンション演算であり、密集して繰り返し適用された場合、変数のフィールドを徐々に洗練する。 提案手法は, 実センサノイズにより劣化した自然画像に一般化し, ノイズの多い条件下での一貫した境界を予測できる。
• 参考スコア（独自算出の注目度）: 23.467103272604906
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a differentiable model that infers explicit boundaries, including curves, corners and junctions, using a mechanism that we call boundary attention. Boundary attention is a boundary-aware local attention operation that, when applied densely and repeatedly, progressively refines a field of variables that specify an unrasterized description of the local boundary structure in every overlapping patch within an image. It operates in a bottom-up fashion, similar to classical methods for sub-pixel edge localization and edge-linking, but with a higher-dimensional description of local boundary structure, a notion of spatial consistency that is learned instead of designed, and a sequence of operations that is end-to-end differentiable. We train our model using simple synthetic data and then evaluate it using photographs that were captured under low-light conditions with variable amounts of noise. We find that our method generalizes to natural images corrupted by real sensor noise, and predicts consistent boundaries under increasingly noisy conditions where other state-of-the-art methods fail.
• Abstract（参考訳）: 我々は、境界注意と呼ばれるメカニズムを用いて、曲線、コーナー、ジャンクションを含む明示的な境界を推論する微分可能モデルを提案する。 境界アテンション(バウンダリアテンション)とは、画像内のすべての重なり合うパッチにおいて、局所境界構造の非ラスタライズされた記述を規定する変数のフィールドを、高密度かつ繰り返し適用する境界アテンション演算である。 ボトムアップ方式で動作し、サブピクセルのエッジローカライゼーションやエッジリンクの古典的な手法に似ているが、より高次元的な局所境界構造の記述、設計ではなく学習される空間整合性の概念、エンドツーエンドで微分可能な操作のシーケンスがある。 我々は、簡単な合成データを用いてモデルを訓練し、低照度でノイズの少ない写真を用いて評価する。 提案手法は, 実センサノイズにより劣化した自然画像に一般化し, 他の最先端手法が故障した場合, ますますノイズの多い条件下で一貫した境界を予測できる。

関連論文リスト

• Generating grid maps via the snake model [10.489493860187348]
  グリッドマップはタイルマップと呼ばれ、地理空間の可視化において重要なツールである。 地理的領域をグリッドに変換するため、コヒーレントグリッドアレンジメントを確立するために、セントロイドと境界ノードの両方の変位を必要とする。 既存のアプローチは通常、領域セントロイドと境界ノードを別々に置き換える。 本研究では,Snake変位アルゴリズムを地図一般化から適用し,領域セントロイドと境界ノードを同時に変位させる手法を提案する。
  論文  参考訳（メタデータ） (2024-06-04T02:24:39Z)
• Binary Opacity Grids: Capturing Fine Geometric Detail for Mesh-Based View Synthesis [70.40950409274312]
  我々は、細い構造を再構築する能力を損なうことなく、表面への収束を促すために密度場を変更する。 また, メッシュの単純化と外観モデルの適合により, 融合型メッシュ方式を開発した。 私たちのモデルで生成されたコンパクトメッシュは、モバイルデバイス上でリアルタイムでレンダリングできます。
  論文  参考訳（メタデータ） (2024-02-19T18:59:41Z)
• DeepBranchTracer: A Generally-Applicable Approach to Curvilinear Structure Reconstruction Using Multi-Feature Learning [12.047523258256088]
  本稿では,外部画像の特徴と内部幾何学的特徴の両方を学習し,曲線構造を再構築するDeepBranchTracerを紹介する。 既存のセグメンテーション法や再構成法よりも優れた性能を示すため,2次元データセットと3次元データセットの両方でモデルを広範囲に評価した。
  論文  参考訳（メタデータ） (2024-02-02T07:13:07Z)
• Parallax-Tolerant Unsupervised Deep Image Stitching [57.76737888499145]
  本稿では,パララックス耐性の非教師あり深層画像縫合技術であるUDIS++を提案する。 まず,グローバルなホモグラフィから局所的な薄板スプライン運動への画像登録をモデル化するための,頑健で柔軟なワープを提案する。 本研究では, 縫合された画像をシームレスに合成し, シーム駆動合成マスクの教師なし学習を行うことを提案する。
  論文  参考訳（メタデータ） (2023-02-16T10:40:55Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• Neural Convolutional Surfaces [59.172308741945336]
  この研究は、大域的、粗い構造から、微細で局所的で、おそらく繰り返される幾何学を歪める形状の表現に関係している。 このアプローチは, 最先端技術よりも優れたニューラル形状圧縮を実現するとともに, 形状詳細の操作と伝達を可能にする。
  論文  参考訳（メタデータ） (2022-04-05T15:40:11Z)
• DeepCurrents: Learning Implicit Representations of Shapes with Boundaries [25.317812435426216]
  本稿では,明示的な境界曲線と暗黙的な学習内部を結合したハイブリッド形状表現を提案する。 さらに、境界曲線と潜時符号でパラメータ化された形状の学習ファミリを実証する。
  論文  参考訳（メタデータ） (2021-11-17T20:34:20Z)
• Field of Junctions: Extracting Boundary Structure at Low SNR [5.584060970507507]
  本稿では,輪郭,角,ジャンクションなど,画像内の多くの境界要素を同時に検出するボトムアップ検出器を提案する。 特に、輪郭、角、ジャンクション、および均一領域の分析により、境界検出の他の方法が失敗する高いノイズレベルで成功することができる。
  論文  参考訳（メタデータ） (2020-11-27T17:46:08Z)
• Neural Subdivision [58.97214948753937]
  本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。 すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。 単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
  論文  参考訳（メタデータ） (2020-05-04T20:03:21Z)
• Multi-View Optimization of Local Feature Geometry [70.18863787469805]
  本研究では,複数視点からの局所像の特徴の幾何を,未知のシーンやカメラの幾何を伴わずに精査する問題に対処する。 提案手法は,従来の特徴抽出とマッチングのパラダイムを自然に補完する。 本手法は,手作りと学習の両方の局所的特徴に対して,三角測量とカメラのローカライゼーション性能を常に向上することを示す。
  論文  参考訳（メタデータ） (2020-03-18T17:22:11Z)

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。