論文の概要: Multi-Stage Generative Upscaler: Reconstructing Football Broadcast Images via Diffusion Models

• arxiv url: http://arxiv.org/abs/2503.11181v1
• Date: Fri, 14 Mar 2025 08:28:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-17 13:09:01.048261
• Title: Multi-Stage Generative Upscaler: Reconstructing Football Broadcast Images via Diffusion Models
• Title（参考訳）: マルチステージ生成型アップスケーラ:拡散モデルによるサッカー放送画像の再構成
• Authors: Luca Martini, Daniele Zolezzi, Saverio Iacono, Gianni Viardo Vercelli,
• Abstract要約: 本研究では, 劣化画像の高分解能化のための多段階生成アップスケーリングフレームワークを導入し, 最大6.4×64$の入力を高忠実度1024×1024$の出力に変換する。 イメージ・ツー・イメージ・パイプライン、コントロールネット・コンディショニング、LoRAファインチューニングを統合することで、我々は複雑なテクスチャやプレイヤーの詳細やジャージーのロゴといったドメイン固有の要素を復元する従来のアップスケーリング手法を超えている。 ControlNetは細部を精細化し、LoRAはタスク固有要素の強化を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The reconstruction of low-resolution football broadcast images presents a significant challenge in sports broadcasting, where detailed visuals are essential for analysis and audience engagement. This study introduces a multi-stage generative upscaling framework leveraging Diffusion Models to enhance degraded images, transforming inputs as small as $64 \times 64$ pixels into high-fidelity $1024 \times 1024$ outputs. By integrating an image-to-image pipeline, ControlNet conditioning, and LoRA fine-tuning, our approach surpasses traditional upscaling methods in restoring intricate textures and domain-specific elements such as player details and jersey logos. The custom LoRA is trained on a custom football dataset, ensuring adaptability to sports broadcast needs. Experimental results demonstrate substantial improvements over conventional models, with ControlNet refining fine details and LoRA enhancing task-specific elements. These findings highlight the potential of diffusion-based image reconstruction in sports media, paving the way for future applications in automated video enhancement and real-time sports analytics.
• Abstract（参考訳）: 低解像度のサッカー放送画像の再構成は、詳細な視覚が分析や観客のエンゲージメントに欠かせないスポーツ放送において重要な課題となっている。 そこで本研究では,Diffusion Modelsを利用した多段階生成アップスケーリングフレームワークを導入し,64ドル画素の64ドル画素を高忠実度1024ドルの1024ドルの出力に変換することにより,画像の劣化を改善する。 イメージ・ツー・イメージ・パイプライン、コントロールネット・コンディショニング、LoRAファインチューニングを統合することで、我々は複雑なテクスチャやプレイヤーの詳細やジャージーのロゴといったドメイン固有の要素を復元する従来のアップスケーリング手法を超えている。 カスタムLoRAはカスタムフットボールデータセットでトレーニングされており、スポーツ放送のニーズへの適応性を保証する。 ControlNetは細部を精細化し、LoRAはタスク固有要素の強化を行う。 これらの知見は、スポーツメディアにおける拡散に基づく画像再構成の可能性を強調し、自動ビデオエンハンスメントとリアルタイムスポーツ分析における将来の応用の道を開くものである。

関連論文リスト

• Automated Detection of Sport Highlights from Audio and Video Sources [0.0]
  本研究では,音声やビデオからスポーツハイライト(HL)を自動的に検出するための,Deep Learningベースで軽量なアプローチを提案する。 我々のソリューションは、比較的小さなオーディオ・メル・スペクトログラムとグレースケール・ビデオ・フレームのデータセットに基づいて訓練されたディープラーニング(DL)モデルを活用し、オーディオ・ビデオ検出において、それぞれ89%と83%の有望な精度を達成する。 提案手法は,各種スポーツビデオコンテンツを対象としたHL自動検出のためのスケーラブルなソリューションを提供し,手動介入の必要性を軽減した。
  論文  参考訳（メタデータ） (2025-01-27T14:50:13Z)
• CRNet: A Detail-Preserving Network for Unified Image Restoration and Enhancement Task [44.14681936953848]
  複合リファインメントネットワーク(CRNet)は、統合された画像復元と拡張を行うことができる。 CRNetは、プール層を通じて、高頻度と低周波の情報を明確に分離し、強化する。 私たちのモデルは、ブラケット画像復元・拡張チャレンジの最初のトラックで3位を確保しました。
  論文  参考訳（メタデータ） (2024-04-22T12:33:18Z)
• Pixel-Aware Stable Diffusion for Realistic Image Super-resolution and Personalized Stylization [23.723573179119228]
  本稿では,高機能なReal-ISRとパーソナライズされた画像スタイリングを実現するために,画素対応安定拡散(PASD)ネットワークを提案する。 画素単位の画像局所構造を知覚する拡散モデルを実現するために、画素対応クロスアテンションモジュールを導入する。 補正可能なノイズスケジュールを導入し、画像復元結果をさらに改善する。
  論文  参考訳（メタデータ） (2023-08-28T10:15:57Z)
• Event-guided Multi-patch Network with Self-supervision for Non-uniform Motion Deblurring [113.96237446327795]
  本稿では,ぼやけた画像やビデオを扱うための,イベント誘導型深層階層型マルチパッチネットワークを提案する。 また、ビデオ内の複雑なぼやけに対処するために、動画に含まれる動きの手がかりを利用するイベント誘導アーキテクチャを提案する。 我々のMPNは、現在のマルチスケール手法に比べて40倍高速なランタイムでGoProとVideoDeblurringデータセットの最先端を達成しています。
  論文  参考訳（メタデータ） (2023-02-14T15:58:00Z)
• Sports Video Analysis on Large-Scale Data [10.24207108909385]
  本稿では,スポーツビデオにおける自動機械記述のモデル化について検討する。 スポーツビデオ分析のためのNBAデータセット(NSVA)を提案する。
  論文  参考訳（メタデータ） (2022-08-09T16:59:24Z)
• Advancing Plain Vision Transformer Towards Remote Sensing Foundation Model [97.9548609175831]
  約1億のパラメータを持つプレーンビジョントランスフォーマーを利用して、リモートセンシングタスク用にカスタマイズされた大規模なビジョンモデルを提案する。 具体的には、RS画像における大きな画像サイズと様々な向きのオブジェクトを扱うために、回転する様々なウィンドウアテンションを提案する。 検出タスクの実験は、DOTA-V1.0データセット上で81.16%のmAPを達成したすべての最先端モデルよりも、我々のモデルの方が優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-08T09:08:40Z)
• Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
  本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。 我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。 提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2022-04-19T17:59:45Z)
• An Empirical Study of Remote Sensing Pretraining [117.90699699469639]
  本研究では,空中画像におけるリモートセンシング事前訓練(RSP)の実証的研究を行った。 RSPは、シーン認識タスクで特有のパフォーマンスを提供するのに役立つ。 RSPは、従来のイメージネットがRS画像に事前学習する際のデータ格差を緩和するが、それでもタスクの相違に悩まされる可能性がある。
  論文  参考訳（メタデータ） (2022-04-06T13:38:11Z)
• Smart Director: An Event-Driven Directing System for Live Broadcasting [110.30675947733167]
  Smart Directorは、典型的な人間向けブロードキャストプロセスを模倣して、ほぼ専門的なブロードキャストプログラムをリアルタイムで自動的に作成することを目指している。 本システムは,マルチカメラスポーツ放送における初のエンドツーエンド自動指向システムである。
  論文  参考訳（メタデータ） (2022-01-11T16:14:41Z)
• Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
  畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。 ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。 提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
  論文  参考訳（メタデータ） (2020-03-15T11:04:30Z)
• Unsupervised Temporal Feature Aggregation for Event Detection in Unstructured Sports Videos [10.230408415438966]
  任意のカメラアングルを持つ非構造化環境を対象としたスポーツビデオにおけるイベント検出事例について検討した。 我々は、非構造化設定におけるプレイヤーの教師なし識別と、任意の射撃角度によるバリエーションを示すために訓練されたモデルの一般化の2つの主要な問題を同定し、解決する。
  論文  参考訳（メタデータ） (2020-02-19T10:24:22Z)

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。