論文の概要: Assessing Image Inpainting via Re-Inpainting Self-Consistency Evaluation

• arxiv url: http://arxiv.org/abs/2405.16263v1
• Date: Sat, 25 May 2024 15:05:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-28 22:17:06.189111
• Title: Assessing Image Inpainting via Re-Inpainting Self-Consistency Evaluation
• Title（参考訳）: 自己整合性評価によるイメージインペインティングの評価
• Authors: Tianyi Chen, Jianfu Zhang, Yan Hong, Yiyi Zhang, Liqing Zhang,
• Abstract要約: 本稿では,複数の再塗装パスに基づく自己教師付きメトリックを利用する,革新的な評価パラダイムを提案する。 このアプローチは、様々な実行可能なインペイントソリューションの探索を可能にするための自己整合性の原則を強調している。
• 参考スコア（独自算出の注目度）: 46.974439781041774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image inpainting, the task of reconstructing missing segments in corrupted images using available data, faces challenges in ensuring consistency and fidelity, especially under information-scarce conditions. Traditional evaluation methods, heavily dependent on the existence of unmasked reference images, inherently favor certain inpainting outcomes, introducing biases. Addressing this issue, we introduce an innovative evaluation paradigm that utilizes a self-supervised metric based on multiple re-inpainting passes. This approach, diverging from conventional reliance on direct comparisons in pixel or feature space with original images, emphasizes the principle of self-consistency to enable the exploration of various viable inpainting solutions, effectively reducing biases. Our extensive experiments across numerous benchmarks validate the alignment of our evaluation method with human judgment.
• Abstract（参考訳）: 画像インペインティング(英: Image inpainting)は、利用可能なデータを用いて、破損した画像の欠落したセグメントを再構築するタスクであり、特に情報交換条件下で、一貫性と忠実性を確保するための課題に直面している。 従来の評価手法は、非マスキーク参照画像の存在に大きく依存しており、本質的には、偏見を導入して、特定の着色効果を好んでいる。 この問題に対処するために,複数の再塗装パスに基づく自己監督的メトリクスを利用する,革新的な評価パラダイムを導入する。 このアプローチは、従来の画素や特徴空間と原画像との直接比較に頼らず、様々な実行可能なインペイントソリューションの探索を可能にする自己整合性の原理を強調し、バイアスを効果的に低減する。 評価手法と人的判断との整合性を検証するため,多数のベンチマークを用いた広範囲な実験を行った。

関連論文リスト

• Multi-target stain normalization for histology slides [6.820595748010971]
  我々は,複数の参照画像を活用する新しい手法を導入し,染色変化に対する堅牢性を高める。 提案手法はパラメータフリーであり,有意な変化のない既存の計算病理パイプラインに適用可能である。
  論文  参考訳（メタデータ） (2024-06-04T07:57:34Z)
• Learning from Multi-Perception Features for Real-Word Image Super-resolution [87.71135803794519]
  入力画像の複数の知覚的特徴を利用する新しいSR手法MPF-Netを提案する。 本稿では,MPFEモジュールを組み込んで,多様な知覚情報を抽出する手法を提案する。 また、モデルの学習能力を向上する対照的な正規化項(CR)も導入する。
  論文  参考訳（メタデータ） (2023-05-26T07:35:49Z)
• CoReFace: Sample-Guided Contrastive Regularization for Deep Face Recognition [3.1677775852317085]
  特徴表現学習に画像レベルの正規化を適用するために,CoReFace(Contrastive Regularization for Face Recognition)を提案する。 具体的には、サンプル誘導型コントラスト学習を用いて、画像と画像の関係を直接調整する。 コントラスト学習を顔認識に統合するため,画像の画質劣化を回避するために,画像の代わりに埋め込みを拡大する。
  論文  参考訳（メタデータ） (2023-04-23T14:33:24Z)
• Detecting Recolored Image by Spatial Correlation [60.08643417333974]
  画像のリカラー化は、画像の色値を操作して新しいスタイルを与える、新たな編集技術である。 本稿では,空間相関の観点から,従来型と深層学習による再色検出の汎用的検出能力を示す解を探索する。 提案手法は,複数のベンチマークデータセット上での最先端検出精度を実現し,未知の種類の再色法を適切に一般化する。
  論文  参考訳（メタデータ） (2022-04-23T01:54:06Z)
• Fast Hybrid Image Retargeting [0.0]
  本稿では,コンテント・アウェア・トリミングを用いて歪みを定量化し,抑制する手法を提案する。 我々の手法は,実行時間のごく一部で実行しながら,最近の手法より優れています。
  論文  参考訳（メタデータ） (2022-03-25T11:46:06Z)
• Deblurring via Stochastic Refinement [85.42730934561101]
  条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。 提案手法は,PSNRなどの歪み指標の点で競合する。
  論文  参考訳（メタデータ） (2021-12-05T04:36:09Z)
• Learning Conditional Knowledge Distillation for Degraded-Reference Image Quality Assessment [157.1292674649519]
  劣化参照IQA(DR-IQA)という実用的な解を提案する。 DR-IQAはIRモデルの入力、劣化したイメージを参照として利用する。 私たちの結果は、フル参照設定のパフォーマンスに近いものもあります。
  論文  参考訳（メタデータ） (2021-08-18T02:35:08Z)
• Quantifying Sources of Uncertainty in Deep Learning-Based Image Reconstruction [5.129343375966527]
  本稿では,学習反復画像再構成におけるアレタリックおよびエピステマティック不確かさを同時に定量化する,スケーラブルで効率的なフレームワークを提案する。 本手法は,スパークビューと制限角度データの両方を用いて,従来の計算トモグラフィーのベンチマークと競合する性能を示す。
  論文  参考訳（メタデータ） (2020-11-17T04:12:52Z)
• Structured and Localized Image Restoration [141.75042935077465]
  本稿では,局所的構造予測と非線形マルチタスク学習のアイデアを活用した画像復元手法を提案する。 平均二乗およびユークリッド標準誤差に基づいて対応するエネルギーのアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2020-06-16T15:43:12Z)

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。