論文の概要: Strong and Controllable Blind Image Decomposition

• arxiv url: http://arxiv.org/abs/2403.10520v1
• Date: Fri, 15 Mar 2024 17:59:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-18 16:01:36.189514
• Title: Strong and Controllable Blind Image Decomposition
• Title（参考訳）: 強大かつ制御可能なブラインド画像分解
• Authors: Zeyu Zhang, Junlin Han, Chenhui Gou, Hongdong Li, Liang Zheng,
• Abstract要約: ブラインド画像分解は、画像に存在するすべてのコンポーネントを分解することを目的としている。 ユーザーは著作権保護のために、透かしなどの特定の劣化を保ちたいかもしれない。 制御可能なブラインド画像分解ネットワークというアーキテクチャを設計する。
• 参考スコア（独自算出の注目度）: 57.682079186903195
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Blind image decomposition aims to decompose all components present in an image, typically used to restore a multi-degraded input image. While fully recovering the clean image is appealing, in some scenarios, users might want to retain certain degradations, such as watermarks, for copyright protection. To address this need, we add controllability to the blind image decomposition process, allowing users to enter which types of degradation to remove or retain. We design an architecture named controllable blind image decomposition network. Inserted in the middle of U-Net structure, our method first decomposes the input feature maps and then recombines them according to user instructions. Advantageously, this functionality is implemented at minimal computational cost: decomposition and recombination are all parameter-free. Experimentally, our system excels in blind image decomposition tasks and can outputs partially or fully restored images that well reflect user intentions. Furthermore, we evaluate and configure different options for the network structure and loss functions. This, combined with the proposed decomposition-and-recombination method, yields an efficient and competitive system for blind image decomposition, compared with current state-of-the-art methods.
• Abstract（参考訳）: ブラインド画像分解は、画像に存在する全てのコンポーネントを分解することを目的としており、通常、多重劣化した入力画像の復元に使用される。 クリーンなイメージを完全に回復することは魅力的だが、いくつかのシナリオでは、ユーザーは著作権保護のために、透かしなどの特定の劣化を保ちたいかもしれない。 このニーズに対処するために、視覚的画像分解プロセスに制御性を追加し、ユーザーはどの種類の劣化を除去するか、保持するかを入力できる。 制御可能なブラインド画像分解ネットワークというアーキテクチャを設計する。 提案手法は,U-Net構造中に挿入され,まず入力特徴マップを分解し,ユーザ指示に従って再結合する。 利点として、この機能は最小限の計算コストで実装されている:分解と再結合はすべてパラメータフリーである。 実験により,視覚的画像分解作業に優れ,ユーザの意図を反映した部分的あるいは完全復元画像の出力が可能となった。 さらに、ネットワーク構造と損失関数の異なる選択肢を評価し、構成する。 これは、提案手法と組み合わせることで、現在の最先端手法と比較して、ブラインド画像分解のための効率的かつ競争的なシステムが得られる。

関連論文リスト

• OneRestore: A Universal Restoration Framework for Composite Degradation [33.556183375565034]
  現実のシナリオでは、画像障害はしばしば複合的な劣化として現れ、低光、迷路、雨、雪といった要素の複雑な相互作用を示す。 本研究では, 複雑な複合劣化シナリオを正確に表現するために, 4つの物理劣化パラダイムを統合した多目的イメージングモデルを提案する。 OneRestoreは、適応的で制御可能なシーン復元のために設計された新しいトランスフォーマーベースのフレームワークである。
  論文  参考訳（メタデータ） (2024-07-05T16:27:00Z)
• Unified-Width Adaptive Dynamic Network for All-In-One Image Restoration [50.81374327480445]
  本稿では, 複雑な画像劣化を基本劣化の観点で表現できる, という新しい概念を提案する。 We propose the Unified-Width Adaptive Dynamic Network (U-WADN) which consist of two pivotal components: a Width Adaptive Backbone (WAB) and a Width Selector (WS)。 提案したU-WADNは、最大32.3%のFLOPを同時に削減し、約15.7%のリアルタイム加速を実現している。
  論文  参考訳（メタデータ） (2024-01-24T04:25:12Z)
• Prompt-based Ingredient-Oriented All-in-One Image Restoration [0.0]
  複数の画像劣化課題に対処する新しいデータ成分指向手法を提案する。 具体的には、エンコーダを用いて特徴をキャプチャし、デコーダを誘導するための劣化情報を含むプロンプトを導入する。 我々の手法は最先端技術と競争的に機能する。
  論文  参考訳（メタデータ） (2023-09-06T15:05:04Z)
• All-in-one Multi-degradation Image Restoration Network via Hierarchical Degradation Representation [47.00239809958627]
  我々は新しいオールインワン・マルチデグレーション画像復元ネットワーク(AMIRNet)を提案する。 AMIRNetは、クラスタリングによって木構造を段階的に構築することで、未知の劣化画像の劣化表現を学習する。 この木構造表現は、様々な歪みの一貫性と不一致を明示的に反映しており、画像復元の具体的な手がかりとなっている。
  論文  参考訳（メタデータ） (2023-08-06T04:51:41Z)
• Bridging Component Learning with Degradation Modelling for Blind Image Super-Resolution [69.11604249813304]
  視覚障害者のためのコンポーネント分解・協調最適化ネットワーク(CDCN)を提案する。 CDCNは入力LR画像を特徴空間の構造と詳細成分に分解する。 本稿では,HR画像の細部と構造復元過程を協調的に監督する,劣化駆動型学習戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-03T14:53:56Z)
• Discriminative feature encoding for intrinsic image decomposition [16.77439691640257]
  内在画像分解は、重要かつ長期にわたるコンピュータビジョン問題である。 この研究はディープラーニングを利用しており、この挑戦的なコンピュータビジョン問題を高い効率で解くことができることを示している。
  論文  参考訳（メタデータ） (2022-09-25T05:51:49Z)
• RestoreDet: Degradation Equivariant Representation for Object Detection in Low Resolution Images [81.91416537019835]
  劣化した低解像度画像中のオブジェクトを検出するための新しいフレームワークであるRestoreDetを提案する。 CenterNetをベースとした本フレームワークは, 既存手法と比較して, 異種劣化状況に直面する場合に比べ, 優れた性能を達成している。
  論文  参考訳（メタデータ） (2022-01-07T03:40:23Z)
• Blind Image Decomposition [53.760745569495825]
  本稿では,Blind Image Decomposition (BID)について述べる。 雨のような重畳された画像を異なるソースコンポーネントに分解する方法は、現実世界の視覚システムにとって重要なステップだ。 本稿では,Blind Image Decomposition Network (BIDeN) を提案する。
  論文  参考訳（メタデータ） (2021-08-25T17:37:19Z)
• Gated Fusion Network for Degraded Image Super Resolution [78.67168802945069]
  本稿では,基本特徴と回復特徴を別々に抽出する二分岐畳み込みニューラルネットワークを提案する。 特徴抽出ステップを2つのタスク非依存ストリームに分解することで、デュアルブランチモデルがトレーニングプロセスを容易にすることができる。
  論文  参考訳（メタデータ） (2020-03-02T13:28:32Z)

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。