Fugu-MT 論文翻訳(概要): CCC: Color Classified Colorization

論文の概要: CCC: Color Classified Colorization

arxiv url: http://arxiv.org/abs/2403.01476v1
Date: Sun, 3 Mar 2024 11:00:15 GMT
ステータス: 処理完了
システム内更新日: 2024-03-06 21:17:58.300819
Title: CCC: Color Classified Colorization
Title（参考訳）: CCC:カラー分類カラー化
Authors: Mrityunjoy Gain, Avi Deb Raha and Rameswar Debnath
Abstract要約: カラー化問題を多項分類問題に定式化し、次に重み付き関数をクラスに適用する。カラー値をカラークラスに変換するための式セットを提案し,その逆も提案する。提案したモデルと5つの異なるデータセットを用いた最先端モデルを比較した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Automatic colorization of gray images with objects of different colors and sizes is challenging due to inter- and intra-object color variation and the small area of the main objects due to extensive backgrounds. The learning process often favors dominant features, resulting in a biased model. In this paper, we formulate the colorization problem into a multinomial classification problem and then apply a weighted function to classes. We propose a set of formulas to transform color values into color classes and vice versa. Class optimization and balancing feature distribution are the keys for good performance. Observing class appearance on various extremely large-scale real-time images in practice, we propose 215 color classes for our colorization task. During training, we propose a class-weighted function based on true class appearance in each batch to ensure proper color saturation of individual objects. We establish a trade-off between major and minor classes to provide orthodox class prediction by eliminating major classes' dominance over minor classes. As we apply regularization to enhance the stability of the minor class, occasional minor noise may appear at the object's edges. We propose a novel object-selective color harmonization method empowered by the SAM to refine and enhance these edges. We propose a new color image evaluation metric, the Chromatic Number Ratio (CNR), to quantify the richness of color components. We compare our proposed model with state-of-the-art models using five different datasets: ADE, Celeba, COCO, Oxford 102 Flower, and ImageNet, in both qualitative and quantitative approaches. The experimental results show that our proposed model outstrips other models in visualization and CNR measurement criteria while maintaining satisfactory performance in regression (MSE, PSNR), similarity (SSIM, LPIPS, UIQI), and generative criteria (FID).
Abstract（参考訳）: 異なる色や大きさの物体による灰色画像の自動着色は、物体間の色の変化と背景の広さによる主物体の小さい領域のために困難である。学習プロセスは、しばしば支配的な特徴を好み、偏りのあるモデルとなる。本稿では,カラー化問題を多項分類問題に定式化し,重み付き関数をクラスに適用する。色値を色クラスに変換する式の集合を提案し,その逆も提案する。クラスの最適化と機能の分散がパフォーマンス向上の鍵となる。様々な大規模リアルタイム画像のクラス外観を実際に観察し、着色作業のための215種類のカラークラスを提案する。トレーニング中,各バッチにおける真のクラス外観に基づくクラス重み付き関数を提案し,個々のオブジェクトの適切な彩度を確保する。我々は,メジャークラスとマイナークラスのトレードオフを確立し,マイクラスに対するメジャークラスの優位性を排除し,正統派クラスの予測を行う。マイナークラスの安定性を高めるために正規化を適用すると、時折オブジェクトの端にマイナーノイズが現れることがある。本稿では,これらのエッジを洗練・拡張するためにSAMによって強化された新しいオブジェクト選択色調和法を提案する。色成分の豊かさを定量化するために,新しい色画像評価指標であるクロマティック数比(CNR)を提案する。提案モデルと,ADE,Celeba,COCO,Oxford 102 Flower,ImageNetの5つの異なるデータセットを用いた最先端モデルとの比較を行った。実験結果から,本モデルでは,回帰性能(MSE,PSNR),類似性(SSIM,LPIPS,UIQI),生成基準(FID)を維持しつつ,可視性およびCNR測定基準の他のモデルよりも優れていることが示された。

関連論文リスト

CCC++: Optimized Color Classified Colorization with Segment Anything Model (SAM) Empowered Object Selective Color Harmonization [0.0]
カラー化問題を多項分類問題に定式化し、次に重み付き関数をクラスに適用する。クラスを最適化するために、カラークラス変換のために異なるビンサイズで実験する。カラークラスアクティベーション比(CCAR)とTrue Activation比(TAR)の2つの新しいカラー画像評価指標を提案する。
論文参考訳（メタデータ） (2024-03-18T05:58:13Z)
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)
CoinSeg: Contrast Inter- and Intra- Class Representations for Incremental Segmentation [85.13209973293229]
クラスインクリメンタルセマンティックセグメンテーションは、モデルの安定性と可塑性のバランスをとることを目的としている。インクリメンタル(CoinSeg)のためのコントラスト間およびクラス内表現を提案する。
論文参考訳（メタデータ） (2023-10-10T07:08:49Z)
Incorporating Ensemble and Transfer Learning For An End-To-End Auto-Colorized Image Detection Model [0.0]
本稿では,移動学習とアンサンブル学習の利点を組み合わせた新たな手法を提案する。提案したモデルは、94.55%から99.13%の精度で有望な結果を示す。
論文参考訳（メタデータ） (2023-09-25T19:22:57Z)
Bias in Automated Image Colorization: Metrics and Error Types [0.5801044612920815]
自動GANベースのDeOldifyモデルでカラー化した場合,ADE20Kデータセットからカラー化画像に存在する色変化を測定した。原画像と着色画像の局所的・局所的偏差を微妙に測定し,多くの着色効果を観察する。
論文参考訳（メタデータ） (2022-02-16T15:34:09Z)
Palette: Image-to-Image Diffusion Models [50.268441533631176]
我々は条件付き拡散モデルを用いた画像から画像への変換のためのシンプルで一般的なフレームワークであるPaletteを紹介する。 4つの困難な画像から画像への変換タスクにおいて、Paletteは強力なGANと回帰ベースラインを上回っている。本稿では、FID、インセプションスコア、事前訓練されたResNet-50の分類精度、参照画像に対する知覚距離などのサンプル品質スコアについて報告する。
論文参考訳（メタデータ） (2021-11-10T17:49:29Z)
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)
Collaboration among Image and Object Level Features for Image Colourisation [25.60139324272782]
画像のカラー化は不適切な問題であり、入力データムに存在するコンテキストとオブジェクトインスタンスに依存する複数の正しいソリューションがある。従来のアプローチは、強力なユーザーインタラクションを必要とするか、画像レベル(コンテキスト)機能を学ぶために畳み込みニューラルネットワーク(CNN)の能力を利用して、この問題を攻撃しました。コンボリューションによって得られる画像レベルの特徴とカプセルによってキャプチャされるオブジェクトレベルの特徴を分離する,UCapsNetという単一のネットワークを提案する。そして,異なる層間の接続をスキップすることで,これらの分離要因間の協調を強制し,高品質で再現可能な画像彩色を実現する。
論文参考訳（メタデータ） (2021-01-19T11:48:12Z)
Image Colorization: A Survey and Dataset [94.59768013860668]
本稿では,最先端の深層学習に基づく画像着色技術に関する包括的調査を行う。既存の着色技法を7つのクラスに分類し、その性能を規定する重要な要因について論じる。我々は既存のデータセットと提案した画像の両方を用いて、既存の画像のカラー化手法を広範囲に実験的に評価する。
論文参考訳（メタデータ） (2020-08-25T01:22:52Z)
Multiscale Deep Equilibrium Models [162.15362280927476]
マルチスケールディープ均衡モデル(MDEQ)を新たに提案する。 MDEQは、複数の特徴分解の平衡点を直接解き、同時に伝播する。本稿では,Cityscapesデータセットの高解像度画像に対するイメージネット分類とセマンティックセグメンテーションの2つの大規模ビジョンタスクにおけるこのアプローチの有効性について述べる。
論文参考訳（メタデータ） (2020-06-15T18:07:44Z)
Instance-aware Image Colorization [51.12040118366072]
本稿では,インスタンス認識のカラー化を実現する手法を提案する。我々のネットワークアーキテクチャは、市販のオブジェクト検出器を利用して、収穫されたオブジェクト画像を取得する。類似したネットワークを用いて、フルイメージの特徴を抽出し、融合モジュールを適用して最終色を予測する。
論文参考訳（メタデータ） (2020-05-21T17:59:23Z)

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。