Fugu-MT 論文翻訳(概要): Multiscale texture separation

論文の概要: Multiscale texture separation

arxiv url: http://arxiv.org/abs/2411.00894v1
Date: Fri, 01 Nov 2024 00:33:36 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-05 21:27:17.633061
Title: Multiscale texture separation
Title（参考訳）: マルチスケールテクスチャ分離
Authors: Jerome Gilles,
Abstract要約: 本稿では,メイヤーのイメージマンガとテクスチャ分解モデルの挙動を理論的に検討する。分解モデルとよく選択されたリトルウッド・ペイリーフィルタを組み合わせることで、ほぼ完全にある種のテクスチャを抽出することができる。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: In this paper, we investigate theoretically the behavior of Meyer's image cartoon + texture decomposition model. Our main results is a new theorem which shows that, by combining the decomposition model and a well chosen Littlewood-Paley filter, it is possible to extract almost perfectly a certain class of textures. This theorem leads us to the construction of a parameterless multiscale texture separation algorithm. Finally, we propose to extend this algorithm into a directional multiscale texture separation algorithm by designing a directional Littlewood-Paley filter bank. Several experiments show the efficiency of the proposed method both on synthetic and real images.
Abstract（参考訳）: 本稿では,メイヤーのイメージマンガとテクスチャ分解モデルの挙動を理論的に検討する。我々の主な結果は、分解モデルと十分に選択されたリトルウッド・ペイリーフィルタを組み合わせることで、ほぼ完全にある種のテクスチャを抽出できることを示す新しい定理である。この定理はパラメータレス多スケールテクスチャ分離アルゴリズムの構築につながる。最後に,このアルゴリズムを,指向性Littlewood-Paleyフィルタバンクを設計して,指向性多スケールテクスチャ分離アルゴリズムに拡張することを提案する。いくつかの実験により,合成画像と実画像の両方において提案手法の有効性が示された。

関連論文リスト

Empirical curvelet based Fully Convolutional Network for supervised texture image segmentation [2.780132626494265]
教師付きテクスチャ分類/セグメンテーションを行うための新しい手法を提案する。提案されているアイデアは、特定のテクスチャ記述子で完全な畳み込みネットワークを提供することである。提案手法は,複数のデータセットを用いて評価し,その結果を各種最先端アルゴリズムと比較する。
論文参考訳（メタデータ） (2024-10-28T21:49:40Z)
Infinite Texture: Text-guided High Resolution Diffusion Texture Synthesis [61.189479577198846]
Infinite Textureはテキストプロンプトから任意の大きさのテクスチャ画像を生成する方法である。本手法は,1つのテクスチャ上に拡散モデルを微調整し,その分布をモデルの出力領域に埋め込むことを学習する。 1つのGPU上で任意の解像度の出力テクスチャ画像を生成するためのスコアアグリゲーションストラテジーによって、我々の微調整拡散モデルが生成される。
論文参考訳（メタデータ） (2024-05-13T21:53:09Z)
Semi-sparsity Priors for Image Structure Analysis and Extraction [3.130722489512822]
画像構造解析と抽出のための半スパース正規化フレームワークを提案する。有名な階段のアーチファクトを導入することなく,画像構造を保存できることが示される。また,乗算器の方向法(ADMM)に基づく効率的な数値解も導入する。
論文参考訳（メタデータ） (2023-08-17T18:22:00Z)
Pyramid Texture Filtering [86.15126028139736]
目立った構造を保ちながらテクスチャをスムーズにするための,シンプルだが効果的な手法を提案する。ガウスピラミッドの粗いレベルは、しばしば自然にテクスチャを排除し、主要な画像構造を要約する。本手法は, 異なるスケール, 局所的なコントラスト, 形状のテクスチャから構造を分離する上で, 構造劣化や視覚的アーティファクトの導入を伴わずに有効であることを示す。
論文参考訳（メタデータ） (2023-05-11T02:05:30Z)
Metropolis Theorem and Its Applications in Single Image Detail Enhancement [10.213517608227686]
我々の手法は異なっており、その革新は画像の詳細層を得るための特別な方法にあります。画像テクスチャの特徴の多様性のため、完全マッチングはしばしば不可能である。本アルゴリズムは,定量的な測定と視覚効果評価において,より良い結果が得られる。
論文参考訳（メタデータ） (2023-02-20T05:00:20Z)
SeamlessGAN: Self-Supervised Synthesis of Tileable Texture Maps [3.504542161036043]
単一入力例からタイル状テクスチャマップを自動生成できるSeamlessGANを提案する。合成問題にのみ焦点をあてた既存の方法とは対照的に,本研究は合成性とタイル性の両方に同時に取り組む。
論文参考訳（メタデータ） (2022-01-13T18:24:26Z)
Compressing Neural Networks: Towards Determining the Optimal Layer-wise Decomposition [62.41259783906452]
本稿では,ディープニューラルネットワークのための新しいグローバル圧縮フレームワークを提案する。各層を自動的に解析し、最適な層間圧縮比を特定する。我々の結果は、現代のニューラルネットワークのグローバルなパフォーマンス-サイズトレードオフに関する将来の研究のための新たな道を開く。
論文参考訳（メタデータ） (2021-07-23T20:01:30Z)
Generating Diverse Structure for Image Inpainting With Hierarchical VQ-VAE [74.29384873537587]
本稿では,異なる構造を持つ複数の粗い結果を第1段階で生成し,第2段階ではテクスチャを増補して各粗い結果を別々に洗練する,多彩な塗布用2段階モデルを提案する。 CelebA-HQ, Places2, ImageNetデータセットによる実験結果から,本手法は塗布ソリューションの多様性を向上するだけでなく,生成した複数の画像の視覚的品質も向上することが示された。
論文参考訳（メタデータ） (2021-03-18T05:10:49Z)
Contour Integration using Graph-Cut and Non-Classical Receptive Field [4.935491924643742]
本稿では,他のアルゴリズムのエッジセグメントから画像の輪郭を検出する新しい手法を提案する。提案したエネルギー関数は、テクスチャノイズを抑制するのに役立つ一次視覚野の周囲変調にインスパイアされている。
論文参考訳（メタデータ） (2020-10-27T19:07:13Z)
Group Sparsity: The Hinge Between Filter Pruning and Decomposition for Network Compression [145.04742985050808]
我々は,フィルタプルーニングと低ランク分解という2つの一般的なネットワーク圧縮手法を統一的に解析する。スパシティ正規化の実施方法を変えることにより、フィルタプルーニングと低ランク分解を導出することができる。われわれの手法は、いくつかのベンチマークにおける最先端の手法と比較し、その可能性を証明している。
論文参考訳（メタデータ） (2020-03-19T17:57:26Z)
Image Matching across Wide Baselines: From Paper to Practice [80.9424750998559]
局所的な特徴とロバストな推定アルゴリズムの包括的なベンチマークを導入する。パイプラインのモジュール構造は、さまざまなメソッドの容易な統合、構成、組み合わせを可能にします。適切な設定で、古典的な解決策は依然として芸術の知覚された状態を上回る可能性があることを示す。
論文参考訳（メタデータ） (2020-03-03T15:20:57Z)

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。