論文の概要: S3R-Net: A Single-Stage Approach to Self-Supervised Shadow Removal

• arxiv url: http://arxiv.org/abs/2404.12103v1
• Date: Thu, 18 Apr 2024 11:36:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-19 19:21:31.437464
• Title: S3R-Net: A Single-Stage Approach to Self-Supervised Shadow Removal
• Title（参考訳）: S3R-Net: 自己監督型シャドウ除去のためのシングルステージアプローチ
• Authors: Nikolina Kubiak, Armin Mustafa, Graeme Phillipson, Stephen Jolly, Simon Hadfield,
• Abstract要約: 本稿では,自己監視型シャドウ除去ネットワークであるS3R-Netを紹介する。 2分岐 WGAN モデルは、ユニファイト・アンド・アダプティフェノメノンに依存する自己超越を達成する。 出力データのスタイルを統一し、不整合なシャドウフリー参照画像のデータベースから特徴を推測する。
• 参考スコア（独自算出の注目度）: 16.616222926342342
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper we present S3R-Net, the Self-Supervised Shadow Removal Network. The two-branch WGAN model achieves self-supervision relying on the unify-and-adaptphenomenon - it unifies the style of the output data and infers its characteristics from a database of unaligned shadow-free reference images. This approach stands in contrast to the large body of supervised frameworks. S3R-Net also differentiates itself from the few existing self-supervised models operating in a cycle-consistent manner, as it is a non-cyclic, unidirectional solution. The proposed framework achieves comparable numerical scores to recent selfsupervised shadow removal models while exhibiting superior qualitative performance and keeping the computational cost low.
• Abstract（参考訳）: 本稿では,自己監視型シャドウ除去ネットワークであるS3R-Netについて述べる。 二分岐WGANモデルは、統一・アダプティブフェノメノン(unify-and-adaptphenomenon)に依存した自己スーパービジョンを実現し、出力データのスタイルを統一し、不整合なシャドウフリー参照画像のデータベースからその特性を推測する。 このアプローチは、教師付きフレームワークの大きな組織とは対照的である。 S3R-Netは、非循環的で一方向のソリューションであるため、サイクル一貫性のある動作を行う数少ない自己教師型モデルと差別化されている。 提案手法は,最近の自己教師付きシャドウ除去モデルに匹敵する数値スコアを達成し,質的性能を向上し,計算コストを低く抑える。

関連論文リスト

• Equi-GSPR: Equivariant SE(3) Graph Network Model for Sparse Point Cloud Registration [2.814748676983944]
  局所球面ユークリッド3次元等分散特性をSE(3)メッセージパッシングに基づく伝搬により埋め込んだグラフニューラルネットワークモデルを提案する。 我々のモデルは、主に記述モジュール、同変グラフ層、類似性、最終的な回帰層から構成される。 3DMatchおよびKITTIデータセットで行った実験は、最先端のアプローチと比較して、我々のモデルの魅力的で堅牢な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T06:48:01Z)
• Semantic-guided Adversarial Diffusion Model for Self-supervised Shadow Removal [5.083330121710086]
  GANベースのトレーニングは、しばしばモード崩壊や不安定な最適化といった問題に直面している。 自己教師付きシャドウ除去のための意味誘導逆拡散フレームワークを提案する。 複数の公開データセットで実験を行い,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-07-01T09:14:38Z)
• 3D Face Modeling via Weakly-supervised Disentanglement Network joint Identity-consistency Prior [62.80458034704989]
  切り離された制御因子を特徴とする3次元顔モデルの生成は、コンピュータビジョンやコンピュータグラフィックスの多様な応用において大きな可能性を秘めている。 従来の3D顔モデリング手法は、これらの要因を効果的に解消するために特定のラベルを要求するため、課題に直面している。 本稿では,WSDF(Wakly Supervised Disentanglement Framework)を導入し,過度に拘束的なラベル付けを必要とせず,制御可能な3次元顔モデルのトレーニングを容易にする。
  論文  参考訳（メタデータ） (2024-04-25T11:50:47Z)
• SDDNet: Style-guided Dual-layer Disentanglement Network for Shadow Detection [85.16141353762445]
  入力シャドウ画像を背景層と影層の合成として扱い、これらの層を独立にモデル化するためのスタイル誘導デュアル層ディスタングルネットワークを設計する。 提案モデルは背景色による有害な効果を効果的に最小化し,32FPSのリアルタイム推論速度を持つ3つの公開データセットに対して優れた性能を示す。
  論文  参考訳（メタデータ） (2023-08-17T12:10:51Z)
• ShadowDiffusion: When Degradation Prior Meets Diffusion Model for Shadow Removal [74.86415440438051]
  画像と劣化先行情報を統合した統合拡散フレームワークを提案する。 SRDデータセット上でのPSNRは31.69dBから34.73dBへと大幅に向上した。
  論文  参考訳（メタデータ） (2022-12-09T07:48:30Z)
• Guided Point Contrastive Learning for Semi-supervised Point Cloud Semantic Segmentation [90.2445084743881]
  そこで本研究では,モデル性能を向上させるために,未ラベルの点群をトレーニングに採用するための半教師付き点群セマンティックセマンティックセマンティックセマンティクスを提案する。 近年の自己監督型タスクのコントラスト損失に触発されて,特徴表現とモデル一般化能力を高めるためのガイド付きポイントコントラスト損失を提案する。
  論文  参考訳（メタデータ） (2021-10-15T16:38:54Z)
• Self-Supervised Multi-Frame Monocular Scene Flow [61.588808225321735]
  自己監督学習に基づくマルチフレーム一眼的シーンフローネットワークを導入。 自己監督学習に基づく単眼的シーンフロー法における最新の精度を観察する。
  論文  参考訳（メタデータ） (2021-05-05T17:49:55Z)
• Unleashing the Power of Contrastive Self-Supervised Visual Models via Contrast-Regularized Fine-Tuning [94.35586521144117]
  コントラスト学習を微調整に適用することでさらにメリットが得られるか検討する。 本研究では,コントラスト正規化調律(core-tuning)を提案する。
  論文  参考訳（メタデータ） (2021-02-12T16:31:24Z)
• Unsupervised Shadow Removal Using Target Consistency Generative Adversarial Network [3.1664163912309613]
  教師なしのシャドウ除去は、シャドウデータと非シャドウデータがない状態で、元の画像をシャドウドメインから非シャドウドメインにマッピングする非線形関数を学習することを目的としている。 シャドウ除去作業のための簡易かつ効率的な目標整合性生成対向ネットワーク(TC-GAN)を教師なし方式で開発する。
  論文  参考訳（メタデータ） (2020-10-03T06:55:26Z)

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。