論文の概要: Neural Restoration of Greening Defects in Historical Autochrome Photographs Based on Purely Synthetic Data

• arxiv url: http://arxiv.org/abs/2505.22291v1
• Date: Wed, 28 May 2025 12:28:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.594208
• Title: Neural Restoration of Greening Defects in Historical Autochrome Photographs Based on Purely Synthetic Data
• Title（参考訳）: 純合成データに基づく歴史的オートクロム写真における緑化欠陥のニューラルネットワークによる復元
• Authors: Saptarshi Neil Sinha, P. Julius Kuehn, Johannes Koppe, Arjan Kuijper, Michael Weinmann,
• Abstract要約: デジタル化されたオートクロム写真におけるグリーン色欠陥の自動除去のための最初のアプローチを提案する。 損傷したオートクロムの緑化欠陥を解析するための適切なトレーニングデータセットの欠如に対処するため,合成データにそのような欠陥を正確にシミュレートするための新しいアプローチを提案する。
• 参考スコア（独自算出の注目度）: 7.805159153832603
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The preservation of early visual arts, particularly color photographs, is challenged by deterioration caused by aging and improper storage, leading to issues like blurring, scratches, color bleeding, and fading defects. In this paper, we present the first approach for the automatic removal of greening color defects in digitized autochrome photographs. Our main contributions include a method based on synthetic dataset generation and the use of generative AI with a carefully designed loss function for the restoration of visual arts. To address the lack of suitable training datasets for analyzing greening defects in damaged autochromes, we introduce a novel approach for accurately simulating such defects in synthetic data. We also propose a modified weighted loss function for the ChaIR method to account for color imbalances between defected and non-defected areas. While existing methods struggle with accurately reproducing original colors and may require significant manual effort, our method allows for efficient restoration with reduced time requirements.
• Abstract（参考訳）: 初期の視覚芸術の保存、特にカラー写真は、老朽化や不適切な保存によって引き起こされる劣化によって、ぼやけたり、傷、色の出血、失明といった問題に悩まされている。 本稿では,デジタル化されたオートクロム写真におけるグリーン色欠陥の自動除去のための最初のアプローチを提案する。 我々の主な貢献は、合成データセット生成に基づく手法と、視覚芸術の復元のために慎重に設計された損失関数を用いた生成AIの使用である。 損傷したオートクロムの緑化欠陥を解析するための適切なトレーニングデータセットの欠如に対処するため,合成データにそのような欠陥を正確にシミュレートするための新しいアプローチを提案する。 また, 欠陥領域と非欠陥領域のカラー不均衡を考慮したChaIR法における重み付き損失関数の修正も提案する。 既存の手法では、色を正確に再現するのに苦労し、手作業がかなり必要になる可能性があるが、本手法は時間的要求を低減して効率的な復元を可能にする。

関連論文リスト

• Restoring Real-World Images with an Internal Detail Enhancement Diffusion Model [9.520471615470267]
  古い写真や低解像度画像などの現実世界の劣化画像の復元は、大きな課題となる。 最近のデータ駆動型アプローチは、高忠実度復元と、色付けに対するオブジェクトレベル制御の達成に苦慮している。 実世界の劣化画像の高忠実性復元のための内部詳細保存拡散モデルを提案する。
  論文  参考訳（メタデータ） (2025-05-24T12:32:53Z)
• High-Fidelity Functional Ultrasound Reconstruction via A Visual Auto-Regressive Framework [58.07923338080814]
  機能的神経側頭葉イメージングはマッピングに例外的な解像度を提供する。 しかし、その実践的応用は重大な課題によって妨げられている。 データ不足、倫理的考慮、信号劣化などが含まれる。
  論文  参考訳（メタデータ） (2025-05-23T15:27:17Z)
• A Value Mapping Virtual Staining Framework for Large-scale Histological Imaging [36.95712533471744]
  各種条件に適応可能な汎用仮想染色フレームワークを提案する。 そこで本研究では,異なる病態間の仮想色付けの精度を確保するために,値マッピング制約に基づく損失関数を提案する。
  論文  参考訳（メタデータ） (2025-01-07T07:45:21Z)
• Diff-Restorer: Unleashing Visual Prompts for Diffusion-based Universal Image Restoration [19.87693298262894]
  拡散モデルに基づく普遍的な画像復元手法であるDiff-Restorerを提案する。 我々は、事前学習された視覚言語モデルを用いて、劣化した画像から視覚的プロンプトを抽出する。 また、デグレーション対応デコーダを設計し、構造的補正を行い、潜在コードをピクセル領域に変換する。
  論文  参考訳（メタデータ） (2024-07-04T05:01:10Z)
• Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
  大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。 ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。 本稿では,物理統合復元ネットワーク(PiRN)を提案する。
  論文  参考訳（メタデータ） (2023-07-20T05:49:21Z)
• See Blue Sky: Deep Image Dehaze Using Paired and Unpaired Training Images [73.23687409870656]
  本稿では,新しいエンドツーエンド画像デヘイズモデルを構築するために,サイクル生成対向ネットワークを提案する。 我々は、実世界の未ペア画像データセットとペア画像データセットのセットを含む、私たちのモデルをトレーニングするために、屋外画像データセットを採用しています。 本モデルでは, サイクル構造に基づいて, 対向損失, サイクル整合損失, フォトリアリズム損失, ペアL1損失を含む4種類の損失関数を付加した。
  論文  参考訳（メタデータ） (2022-10-14T07:45:33Z)
• 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)
• Ensuring accurate stain reproduction in deep generative networks for virtual immunohistochemistry [0.0]
  Generative Adrial Networksは、あるイメージを別のイメージにマッピングする上で、はるかに進歩している。 CycleGANは、病理画像マッピングで組織構造を創出することができるが、関連する沈着を持ち、不正確な染色の領域を生成する。 本稿では,CycleGANの損失関数を緩和し,病理画像のマッピング能力を向上する方法について述べる。
  論文  参考訳（メタデータ） (2022-04-14T09:51:04Z)
• Degrade is Upgrade: Learning Degradation for Low-light Image Enhancement [52.49231695707198]
  2段階の工程で細部と色を精錬しながら、内在的な劣化と低照度画像を照らし出す。 カラー画像の定式化に触発されて,まず低照度入力からの劣化を推定し,環境照明色の歪みをシミュレーションし,そのコンテンツを精錬して拡散照明色の損失を回復した。 LOL1000データセットではPSNRで0.95dB、ExDarkデータセットでは3.18%のmAPでSOTAを上回った。
  論文  参考訳（メタデータ） (2021-03-19T04:00:27Z)

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。