Fugu-MT 論文翻訳(概要): NTIRE 2023 Image Shadow Removal Challenge Technical Report: Team IIM

論文の概要: NTIRE 2023 Image Shadow Removal Challenge Technical Report: Team IIM_TTI

arxiv url: http://arxiv.org/abs/2403.08995v2
Date: Fri, 15 Mar 2024 01:40:23 GMT
ステータス: 処理完了
システム内更新日: 2024-03-18 10:49:12.376640
Title: NTIRE 2023 Image Shadow Removal Challenge Technical Report: Team IIM_TTI
Title（参考訳）: NTIRE 2023 Image Shadow removal Challenge Technical Report: Team IIM_TTI
Authors: Yuki Kondo, Riku Miyata, Fuma Yasue, Taito Naruki, Norimichi Ukita,
Abstract要約: NTIRE2023シャドウ除去チャレンジの準備としてShadowFormerを分析し,議論する。 LPIPSでは0.196点(19点中3点)、平均オピニオンスコア(MOS)では7.44点(19点中4点)のスコアを得た。
参考スコア（独自算出の注目度）: 10.654645488059979
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: In this paper, we analyze and discuss ShadowFormer in preparation for the NTIRE2023 Shadow Removal Challenge [1], implementing five key improvements: image alignment, the introduction of a perceptual quality loss function, the semi-automatic annotation for shadow detection, joint learning of shadow detection and removal, and the introduction of new data augmentation technique "CutShadow" for shadow removal. Our method achieved scores of 0.196 (3rd out of 19) in LPIPS and 7.44 (4th out of 19) in the Mean Opinion Score (MOS).
Abstract（参考訳）: 本稿では,NTIRE2023シャドウ除去チャレンジ [1] の準備として,画像アライメント,知覚的品質損失関数の導入,シャドウ検出のための半自動アノテーション,シャドウ検出と除去に関する共同学習,およびシャドウ除去のための新しいデータ拡張技術「CutShadow」の導入という,5つの重要な改善点について分析・議論する。 LPIPSでは0.196点(19点中3点)、平均オピニオンスコア(MOS)では7.44点(19点中4点)のスコアを得た。

関連論文リスト

Single-Image Shadow Removal Using Deep Learning: A Comprehensive Survey [78.84004293081631]
影のパターンは任意で変化しており、しばしば非常に複雑な痕跡構造を持つ。影による劣化は空間的に不均一であり、照度と影と非陰影領域間の色に矛盾が生じている。この分野での最近の開発は、主にディープラーニングベースのソリューションによって進められている。
論文参考訳（メタデータ） (2024-07-11T20:58:38Z)
Progressive Recurrent Network for Shadow Removal [99.1928825224358]
シングルイメージのシャドー削除は、まだ解決されていない重要なタスクである。既存のディープラーニングベースのアプローチのほとんどは、シャドウを直接削除しようとするが、シャドウをうまく扱えない。本稿では,影を段階的に除去する簡易かつ効果的なプログレッシブ・リカレント・ネットワーク(PRNet)を提案する。
論文参考訳（メタデータ） (2023-11-01T11:42:45Z)
SAM-helps-Shadow:When Segment Anything Model meet shadow removal [8.643096072885909]
本研究では,SAM-helps-Shadowを導入し,SAM(セグメンション・アズ・モデル)を影除去に適用した。提案手法では,2次深部展開ネットワークを用いたシャドウ除去に続いて,シャドウ検出を容易にするために,モデルの検出結果を強力な先行要因として利用した。
論文参考訳（メタデータ） (2023-06-01T06:37:19Z)
ShaDocNet: Learning Spatial-Aware Tokens in Transformer for Document Shadow Removal [53.01990632289937]
本稿では,文書陰影除去のためのトランスフォーマーモデルを提案する。シャドウとシャドウフリーの両方の領域で、シャドウコンテキストエンコーディングとデコードを使用する。
論文参考訳（メタデータ） (2022-11-30T01:46:29Z)
Estimating Reflectance Layer from A Single Image: Integrating Reflectance Guidance and Shadow/Specular Aware Learning [66.36104525390316]
本稿では,2段階の学習手法を提案し,その課題に対処するためのリフレクタンスガイダンスとシャドウ/スペック・アウェア(S-Aware)ネットワークを提案する。第1段階では、新規な損失の制約を伴い、影や特異性のない初期反射層を得る。第二段改良において、反射層が影や特異点に依存しないようにさらに強制するために、入力画像と反射像を区別するS-Awareネットワークを導入する。
論文参考訳（メタデータ） (2022-11-27T07:26:41Z)
R2D: Learning Shadow Removal to Enhance Fine-Context Shadow Detection [64.10636296274168]
現在のシャドウ検出方法は、小さく、不明瞭で、ぼやけたエッジを持つシャドウ領域を検出する際には、性能が良くない。本稿では,深層ニューラルネットワークを修復訓練(シャドウ除去)するRestore to Detect(R2D)という新しい手法を提案する。提案手法は,近年の手法に比べて微妙なコンテキストの検出が可能でありながら,影検出性能の向上を図っている。
論文参考訳（メタデータ） (2021-09-20T15:09:22Z)
From Shadow Generation to Shadow Removal [19.486543304598264]
シャドウ生成を弱教師付きシャドウ除去に活用するG2R-ShadowNetを提案する。提案されたG2R-ShadowNetは3つのサブネットワークで構成されている。特に、シャドウ生成サブネットは非シャドウ領域をシャドウ領域とスタイリングし、シャドウ除去サブネットをトレーニングするためのペアデータを生成する。
論文参考訳（メタデータ） (2021-03-24T05:49:08Z)
Physics-based Shadow Image Decomposition for Shadow Removal [36.41558227710456]
陰影除去のための新しい深層学習法を提案する。影形成の物理モデルにインスパイアされ、線形照明変換を用いて画像内の影効果をモデル化する。最も困難なシャドウ除去データセットでフレームワークをトレーニングし、テストします。
論文参考訳（メタデータ） (2020-12-23T23:06:38Z)
Self-Supervised Shadow Removal [130.6657167667636]
条件付きマスクを用いた自己教師付き学習による教師なしシングルイメージシャドウ除去ソリューションを提案する。既存の文献とは対照的に、一対のシャドウとシャドウのない画像は必要とせず、自己スーパービジョンに頼り、画像にシャドウを取り除いて追加するために深いモデルを共同で学習する。
論文参考訳（メタデータ） (2020-10-22T11:33:41Z)
From Shadow Segmentation to Shadow Removal [34.762493656937366]
シャドウとシャドウフリーの画像のペアの必要性は、シャドウ除去データセットのサイズと多様性を制限している。本研究では,影画像から抽出した陰影と非陰影パッチのみを用いて,陰影除去法を提案する。
論文参考訳（メタデータ） (2020-08-01T14:00:10Z)

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。