論文の概要: Recursive InPainting (RIP): how much information is lost under recursive inferences?

• arxiv url: http://arxiv.org/abs/2407.09549v2
• Date: Sun, 25 May 2025 14:57:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:41.809443
• Title: Recursive InPainting (RIP): how much information is lost under recursive inferences?
• Title（参考訳）: Recursive InPainting (RIP): 再帰的推論の下で、どれだけの情報を失うか?
• Authors: Javier Conde, Miguel González, Gonzalo Martínez, Fernando Moral, Elena Merino-Gómez, Pedro Reviriego,
• Abstract要約: 生成人工知能の急速な普及は、コンテンツ作成と修正を加速させている。 例えば、AI生成コンテンツは、新しいAIモデルをトレーニングし、パフォーマンスを低下させるために使用される可能性がある。 AIイメージ修正の例として、AIモデルが画像の欠落した断片を完了させる、インペインティングがある。
• 参考スコア（独自算出の注目度）: 40.65612212208553
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid adoption of generative artificial intelligence (AI) is accelerating content creation and modification. For example, variations of a given content, be it text or images, can be created almost instantly and at a low cost. This will soon lead to the majority of text and images being created directly by AI models or by humans assisted by AI. This poses new risks; for example, AI-generated content may be used to train newer AI models and degrade their performance, or information may be lost in the transformations made by AI which could occur when the same content is processed over and over again by AI tools. An example of AI image modifications is inpainting in which an AI model completes missing fragments of an image. The incorporation of inpainting tools into photo editing programs promotes their adoption and encourages their recursive use to modify images. Inpainting can be applied recursively, starting from an image, removing some parts, applying inpainting to reconstruct the image, revising it, and then starting the inpainting process again on the reconstructed image, etc. This paper presents an empirical evaluation of recursive inpainting when using one of the most widely used image models: Stable Diffusion. The inpainting process is applied by randomly selecting a fragment of the image, reconstructing it, selecting another fragment, and repeating the process a predefined number of iterations. The images used in the experiments are taken from a publicly available art data set and correspond to different styles and historical periods. Additionally, photographs are also evaluated as a reference. The modified images are compared with the original ones by both using quantitative metrics and performing a qualitative analysis. The results show that recursive inpainting in some cases modifies the image so that it still resembles the original one while in others leads to degeneration.
• Abstract（参考訳）: 生成人工知能(AI)の急速な普及は、コンテンツ作成と修正を加速させている。 例えば、テキストや画像など、与えられたコンテンツのバリエーションは、ほぼ瞬時に、低コストで作成することができる。 これはすぐに、AIモデルやAIの支援を受けた人間が直接作成するテキストや画像の大多数につながるだろう。 例えば、AI生成されたコンテンツは、新しいAIモデルをトレーニングし、パフォーマンスを低下させるために使用される場合や、同じコンテンツがAIツールによって何度も処理された時に発生するAIによる変換で失われる場合などである。 AIイメージ修正の例として、AIモデルが画像の欠落した断片を完了させる、インペインティングがある。 写真編集プログラムにインペイントツールを組み込むことによって、採用が促進され、画像の修正に再帰的な使用が奨励される。 インペイントは、画像から始めて再帰的に適用でき、一部を取り除き、インペイントを適用してイメージを再構築し、修正し、再構成された画像上で再びインペイント処理を開始する等することができる。 本稿では,最も広く用いられている画像モデルである安定拡散を用いた再帰的塗布の実験的評価について述べる。 インペイント処理は、画像の断片をランダムに選択し、再構成し、別のフラグメントを選択し、予め定義されたイテレーション数を繰り返すことで適用される。 実験で使用された画像は、公開されているアートデータセットから取得され、異なるスタイルや歴史的期間に対応する。 また、写真も参考として評価される。 修正された画像は、定量測定と定性解析の両方を用いて元の画像と比較される。 以上の結果から,再帰的塗布により画像が変化し,元の絵に似ており,他の絵には変性が生じることが示唆された。

関連論文リスト

• Fill in the ____ (a Diffusion-based Image Inpainting Pipeline) [0.0]
  塗り絵は、画像を撮り、失った、または故意に隠された部分を生成する過程である。 現代の塗装技術は、有能な完成物を生成する際、顕著な能力を示している。 既存のモデルにおける重要なギャップに対処し、何が正確に生成されたかをプロンプトし制御する能力に焦点を当てる。
  論文  参考訳（メタデータ） (2024-03-24T05:26:55Z)
• Inst-Inpaint: Instructing to Remove Objects with Diffusion Models [18.30057229657246]
  本研究では,自然言語入力に基づいて除去対象を推定し,同時に除去する画像インペイントアルゴリズムに興味を持つ。 本稿では,テキストプロンプトとして与えられた命令に基づいて画像からオブジェクトを除去する新しいインペイントフレームワークInst-Inpaintを提案する。
  論文  参考訳（メタデータ） (2023-04-06T17:29:50Z)
• Invertible Rescaling Network and Its Extensions [118.72015270085535]
  本研究では,新たな視点から双方向の劣化と復元をモデル化する,新しい可逆的枠組みを提案する。 我々は、有効な劣化画像を生成し、失われたコンテンツの分布を変換する可逆モデルを開発する。 そして、ランダムに描画された潜在変数とともに、生成された劣化画像に逆変換を適用することにより、復元可能とする。
  論文  参考訳（メタデータ） (2022-10-09T06:58:58Z)
• 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)
• In&Out : Diverse Image Outpainting via GAN Inversion [89.84841983778672]
  image outpaintingは、利用可能なコンテンツを超えて、入力画像の意味的に一貫した拡張を求める。 本研究では、生成的対向ネットワークの反転の観点から問題を定式化する。 私達の発電機はイメージの彼らの共同潜入コードそして個々の位置で調節されるマイクロ パッチをレンダリングします。
  論文  参考訳（メタデータ） (2021-04-01T17:59:10Z)
• Restore from Restored: Single-image Inpainting [9.699531255678856]
  本論文では,絵画ネットワークにおける自己監督型微調整アルゴリズムについて述べる。 入力画像内の既存の自己相似パッチを利用して,事前学習したネットワークのパラメータをアップグレードする。 公開ベンチマークデータセットで最先端のインペインティング結果を達成します。
  論文  参考訳（メタデータ） (2021-02-16T10:59:28Z)
• High-Resolution Image Inpainting with Iterative Confidence Feedback and Guided Upsampling [122.06593036862611]
  既存の画像塗装法は、実アプリケーションで大きな穴を扱う際に、しばしばアーティファクトを生成する。 本稿では,フィードバック機構を備えた反復インペイント手法を提案する。 実験により,本手法は定量評価と定性評価の両方において既存手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2020-05-24T13:23:45Z)
• Exploiting Deep Generative Prior for Versatile Image Restoration and Manipulation [181.08127307338654]
  本研究は, 大規模自然画像に基づいて学習したGAN(Generative Adversarial Network)により, 得られた画像の有効利用方法を示す。 深層生成前駆体(DGP)は、色、パッチ、解像度、様々な劣化した画像の欠落したセマンティクスを復元するための説得力のある結果を提供する。
  論文  参考訳（メタデータ） (2020-03-30T17:45:07Z)

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。