Fugu-MT 論文翻訳(概要): An Empty Room is All We Want: Automatic Defurnishing of Indoor Panoramas

論文の概要: An Empty Room is All We Want: Automatic Defurnishing of Indoor Panoramas

arxiv url: http://arxiv.org/abs/2405.03682v1
Date: Mon, 6 May 2024 17:57:03 GMT
ステータス: 処理完了
システム内更新日: 2024-05-07 12:46:34.778727
Title: An Empty Room is All We Want: Automatic Defurnishing of Indoor Panoramas
Title（参考訳）: 室内パノラマを自動で消し去る「Empty Room」
Authors: Mira Slavcheva, Dave Gausebeck, Kevin Chen, David Buchhofer, Azwad Sabik, Chen Ma, Sachal Dhillon, Olaf Brandt, Alan Dolhasz,
Abstract要約: 本稿では, 安定拡散を利用したパイプラインを提案し, 劣化状況における塗装結果を改善する。具体的には、コンテキストの増大、ドメイン固有モデル微調整、画像ブレンディングの改善により、高忠実度インペイントが得られるかを説明する。
参考スコア（独自算出の注目度）: 4.474074295449701
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: We propose a pipeline that leverages Stable Diffusion to improve inpainting results in the context of defurnishing -- the removal of furniture items from indoor panorama images. Specifically, we illustrate how increased context, domain-specific model fine-tuning, and improved image blending can produce high-fidelity inpaints that are geometrically plausible without needing to rely on room layout estimation. We demonstrate qualitative and quantitative improvements over other furniture removal techniques.
Abstract（参考訳）: 本研究では,室内パノラマ画像から家具品を除去する際の塗装結果を改善するために,安定拡散を利用したパイプラインを提案する。具体的には,空間配置推定に頼らずに幾何学的に検証可能な高忠実度インピントを,コンテキスト,ドメイン固有モデル微調整,画像ブレンドの改善によっていかに高忠実度インピントを生成するかを説明する。我々は,他の家具除去技術よりも質的,定量的な改善を実演する。

関連論文リスト

Photorealistic Object Insertion with Diffusion-Guided Inverse Rendering [56.68286440268329]
現実世界のシーンの画像に仮想オブジェクトを正しく挿入するには、シーンの照明、幾何学、材料を深く理解する必要がある。本稿では,物理ベースの逆レンダリングプロセスへのガイダンスとして,パーソナライズされた大規模拡散モデルを提案する。本手法は,シーンライティングとトーンマッピングのパラメータを復元し,任意の仮想オブジェクトの光リアルな構成を室内や屋外のシーンの単一フレームやビデオで再現する。
論文参考訳（メタデータ） (2024-08-19T05:15:45Z)
RefFusion: Reference Adapted Diffusion Models for 3D Scene Inpainting [63.567363455092234]
RefFusionは,画像インペイント拡散モデルのマルチスケールパーソナライズに基づく,新しい3Dインペイント手法である。我々のフレームワークは、制御性を維持しながら、オブジェクト除去の最先端の成果を達成する。
論文参考訳（メタデータ） (2024-04-16T17:50:02Z)
BrushNet: A Plug-and-Play Image Inpainting Model with Decomposed Dual-Branch Diffusion [61.90969199199739]
BrushNetは、ピクセルレベルのマスク付きイメージ機能を事前訓練されたDMに埋め込むために設計された、新しいプラグアンドプレイデュアルブランチモデルである。 BrushNetは、画像品質、マスク領域保存、テキストコヒーレンスを含む7つの主要な指標で、既存のモデルよりも優れたパフォーマンスを実現している。
論文参考訳（メタデータ） (2024-03-11T17:59:31Z)
Windowed-FourierMixer: Enhancing Clutter-Free Room Modeling with Fourier Transform [3.864321514889099]
室内空間の内部構造をモデル化する上で,単一画像からの室内環境の塗布が重要な役割を担っている。我々はU-Formerアーキテクチャと新しいWindowed-FourierMixerブロックに基づく革新的なアプローチを提案する。この新たなアーキテクチャは、対称性が普及する屋内シーンに関わるタスクに有利であることが証明されている。
論文参考訳（メタデータ） (2024-02-28T12:27:28Z)
iBARLE: imBalance-Aware Room Layout Estimation [54.819085005591894]
ルームレイアウト推定は、1つのパノラマからレイアウトを予測する。実際のデータセットには、レイアウトの複雑さの次元、カメラの位置、シーンの外観の変化など、大きな不均衡がある。これらの問題に対処するために, imBalance-Aware Room Layout Estimation (iBARLE) フレームワークを提案する。 iBARLEは、(1)外観変化生成(AVG)モジュール、(2)複合構造混合(CSMix)モジュール、(3)勾配に基づくレイアウト目的関数からなる。
論文参考訳（メタデータ） (2023-08-29T06:20:36Z)
Layout-guided Indoor Panorama Inpainting with Plane-aware Normalization [10.721512251097606]
室内パノラマ画像インペイントのためのエンドツーエンドのディープラーニングフレームワークを提案する。室内パノラマの塗布過程における世界的・地域的文脈を生かした。実験の結果,我々の研究はパノラマデータセット上での最先端の手法よりも優れていた。
論文参考訳（メタデータ） (2023-01-13T15:48:40Z)
Layout Aware Inpainting for Automated Furniture Removal in Indoor Scenes [1.8925617030516926]
屋内シーンの広い領域の塗装は、しばしば塗装マスク内の背景要素の幾何学的不整合をもたらす。我々は、知覚情報(例:インスタンスセグメンテーション、部屋レイアウト)を用いて、幾何学的に一貫した空バージョンを生成する。実際の家具を部屋から取り除き,仮想家具で再装飾することで,本システムの適用例を示す。
論文参考訳（メタデータ） (2022-10-27T23:26:21Z)
Perceptual Artifacts Localization for Inpainting [60.5659086595901]
そこで本研究では,知覚的アーティファクトの自動セグメンテーションの学習タスクを提案する。データセット上で高度なセグメンテーションネットワークをトレーニングし、インペイントされた画像内のインペイントされたアーティファクトを確実にローカライズする。また, 対象領域と対象領域全体との比率である知覚人工物比 (PAR) という新しい評価指標を提案する。
論文参考訳（メタデータ） (2022-08-05T18:50:51Z)
Cylin-Painting: Seamless {360\textdegree} Panoramic Image Outpainting and Beyond [136.18504104345453]
塗り絵と塗り絵の間に有意義な協調関係を持つキリン塗り絵の枠組みを提示する。提案アルゴリズムは、オブジェクト検出、深さ推定、画像超解像などの他のパノラマ視覚タスクに効果的に拡張できる。
論文参考訳（メタデータ） (2022-04-18T21:18:49Z)
PanoDR: Spherical Panorama Diminished Reality for Indoor Scenes [0.0]
Diminished Reality (DR)は、シーン内の既存のオブジェクトを削除するために、そのようなアプリケーションの要件を満たす。屋内(再)計画アプリケーションにおける「現実」の保存には,シーンの構造保存が不可欠である。本研究では,まず屋内シーンの構造を予測するモデルを提案し,そのモデルを用いて,同じシーンの空の背景のみを再現する手法を提案する。
論文参考訳（メタデータ） (2021-06-01T12:56:53Z)

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。