Fugu-MT 論文翻訳(概要): Grayscale Image Colorization with GAN and CycleGAN in Different Image Domain

論文の概要: Grayscale Image Colorization with GAN and CycleGAN in Different Image Domain

arxiv url: http://arxiv.org/abs/2401.11425v1
Date: Sun, 21 Jan 2024 08:18:45 GMT
ステータス: 処理完了
システム内更新日: 2024-01-23 16:35:20.494255
Title: Grayscale Image Colorization with GAN and CycleGAN in Different Image Domain
Title（参考訳）: 異なる画像領域におけるGANとCycleGANによるグレースケール画像のカラー化
Authors: Chen Liang, Yunchen Sheng, Yichen Mo
Abstract要約: 我々は、GANベースの着色モデルを再現し、その変種の一つを実験する。また、CycleGANに基づくモデルを提案し、これらの手法を様々なデータセット上で実験した。
参考スコア（独自算出の注目度）: 14.159649799265535
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Automatic colorization of grayscale image has been a challenging task. Previous research have applied supervised methods in conquering this problem [ 1]. In this paper, we reproduces a GAN-based coloring model, and experiments one of its variant. We also proposed a CycleGAN based model and experiments those methods on various datasets. The result shows that the proposed CycleGAN model does well in human-face coloring and comic coloring, but lack the ability to diverse colorization.
Abstract（参考訳）: グレースケール画像の自動カラー化は難しい課題である。従来,この問題の克服に教師あり手法を適用してきた[1]。本稿では,GANに基づくカラー化モデルを再現し,その変種の一つを実験する。また, サイクルガンモデルを提案し, それらの手法を各種データセット上で実験した。提案したCycleGANモデルは,顔色やマンガ色には適しているが,多彩な着色能力は欠如している。

関連論文リスト

Transforming Color: A Novel Image Colorization Method [8.041659727964305]
本稿では,色変換器とGANを用いた画像カラー化手法を提案する。提案手法は,グローバルな情報を取得するためのトランスフォーマーアーキテクチャと,視覚的品質を改善するためのGANフレームワークを統合する。実験の結果,提案するネットワークは,他の最先端のカラー化技術よりも優れていた。
論文参考訳（メタデータ） (2024-10-07T07:23:42Z)
Automatic Controllable Colorization via Imagination [55.489416987587305]
本稿では,反復的な編集と修正が可能な自動色付けフレームワークを提案する。グレースケール画像内のコンテンツを理解することにより、トレーニング済みの画像生成モデルを用いて、同じコンテンツを含む複数の画像を生成する。これらの画像は、人間の専門家の過程を模倣して、色付けの参考となる。
論文参考訳（メタデータ） (2024-04-08T16:46:07Z)
Control Color: Multimodal Diffusion-based Interactive Image Colorization [81.68817300796644]
Control Color (Ctrl Color) は、事前訓練された安定拡散(SD)モデルを利用する多モードカラー化手法である。ユーザのストロークをエンコードして、局所的な色操作を正確に行うための効果的な方法を提案する。また、カラーオーバーフローと不正確な色付けの長年の問題に対処するために、自己注意に基づく新しいモジュールとコンテンツ誘導型変形可能なオートエンコーダを導入する。
論文参考訳（メタデータ） (2024-02-16T17:51:13Z)
ColorizeDiffusion: Adjustable Sketch Colorization with Reference Image and Text [5.675944597452309]
事前学習したCLIP画像エンコーダの異なる画像トークンを利用した画像誘導潜時拡散モデルの2つのバリエーションを紹介する。重み付きテキスト入力を用いて結果の逐次的調整を行うための,対応する操作手法を提案する。
論文参考訳（メタデータ） (2024-01-02T22:46:12Z)
DARC: Distribution-Aware Re-Coloring Model for Generalizable Nucleus Segmentation [68.43628183890007]
ドメインギャップは、異なるフォアグラウンド(核)-バックグラウンド比によっても引き起こされる可能性があると我々は主張する。まず、異なる領域間の劇的な画像色変化を緩和する再カラー化手法を提案する。次に,前景-背景比の変動に頑健な新しいインスタンス正規化手法を提案する。
論文参考訳（メタデータ） (2023-09-01T01:01:13Z)
Improved Diffusion-based Image Colorization via Piggybacked Models [19.807766482434563]
既存の強力なT2I拡散モデルに基づく色付けモデルを提案する。拡散誘導器は、潜伏拡散モデルの事前訓練された重みを組み込むように設計されている。次に、輝度認識VQVAEは、所定のグレースケール画像に画素完全アライメントされた色付き結果を生成する。
論文参考訳（メタデータ） (2023-04-21T16:23:24Z)
PalGAN: Image Colorization with Palette Generative Adversarial Networks [51.59276436217957]
そこで本研究では,パレット推定とカラーアテンションを統合した新しいGANベースのカラー化手法PalGANを提案する。 PalGANは、定量的評価と視覚比較において最先端の成果を上げ、顕著な多様性、コントラスト、およびエッジ保存の外観を提供する。
論文参考訳（メタデータ） (2022-10-20T12:28:31Z)
Neural Color Operators for Sequential Image Retouching [62.99812889713773]
本稿では,新たに導入したトレーニング可能なニューラルカラー演算子のシーケンスとして,リタッチ処理をモデル化して,新しい画像リタッチ手法を提案する。ニューラルカラー演算子は、従来のカラー演算子の振舞いを模倣し、その強度をスカラーで制御しながらピクセルワイズな色変換を学習する。定量的な測定と視覚的品質の両面で,SOTA法と比較して常に最良の結果が得られている。
論文参考訳（メタデータ） (2022-07-17T05:33:19Z)
Generative Probabilistic Image Colorization [2.110198946293069]
本稿では,音の劣化の各ステップを逆転させる確率モデル列を訓練する拡散型生成法を提案する。入力として線引き画像が与えられた場合、本手法は複数の候補色付き画像を提案する。提案手法は,色条件の画像生成タスクだけでなく,実用的な画像補完や塗装タスクにも有効である。
論文参考訳（メタデータ） (2021-09-29T16:10:12Z)
Structure-Preserving Multi-Domain Stain Color Augmentation using Style-Transfer with Disentangled Representations [0.9051352746190446]
HistAuGANは、様々な現実的な組織学の染色色をシミュレートできるため、トレーニング中にニューラルネットワークの染色が不変になる。画像から画像への変換のためのGAN(generative adversarial network)に基づいて,画像の内容,すなわち形態的組織構造を染色色属性から切り離す。複数のドメインでトレーニングすることができるため、スライド作成および撮像プロセスで導入された他のドメイン固有のバリエーションと同様に、異なる染色色をカバーできることを学ぶことができる。
論文参考訳（メタデータ） (2021-07-26T17:52:39Z)
HistoGAN: Controlling Colors of GAN-Generated and Real Images via Color Histograms [52.77252727786091]
HistoGANは、GAN生成画像の色を制御するための色ヒストグラムに基づく方法である。我々は、HistoGANを拡張して、実画像を再色する方法を示す。
論文参考訳（メタデータ） (2020-11-23T21:14:19Z)

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。