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/2505.22291v2
• Date: Wed, 20 Aug 2025 14:51:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 14:45:44.638237
• 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: 初期の視覚芸術、特にカラー写真の保存は、老朽化と不適切な保存による劣化によって困難である。 欠陥アノテーション付きオートクロムのデータセットは公開されていない。 本稿では,デジタル化されたオートクロム写真における緑色欠陥を自動的に除去する手法を提案する。
• 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. Despite great advances in image restoration and enhancement in recent years, such systematic defects often cannot be restored by current state-of-the-art software features as available e.g. in Adobe Photoshop, but would require the incorporation of defect-aware priors into the underlying machine learning techniques. However, there are no publicly available datasets of autochromes with defect annotations. In this paper, we address these limitations and present the first approach that allows the automatic removal of greening color defects in digitized autochrome photographs. For this purpose, we introduce an approach for accurately simulating respective defects and use the respectively obtained synthesized data with its ground truth defect annotations to train a generative AI model with a carefully designed loss function that accounts for color imbalances between defected and non-defected areas. As demonstrated in our evaluation, our approach allows for the efficient and effective restoration of the considered defects, thereby overcoming limitations of alternative techniques that struggle with accurately reproducing original colors and may require significant manual effort.
• 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。 近年、画像の復元と強化が大幅に進歩しているにもかかわらず、Adobe Photoshopのような最先端のソフトウェア機能によって、このような体系的な欠陥は復元できないことが多い。 しかし、欠陥アノテーションを備えたオートクロムのデータセットは公開されていない。 本稿では,これらの制約に対処し,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を可能にする最初のアプローチを提案する。 そこで本研究では,それぞれの欠陥を正確にシミュレートするアプローチを導入し,得られた合成データを基本真理欠陥アノテーションで使用して,欠陥領域と非欠陥領域のカラー不均衡を考慮に入れた,慎重に設計された損失関数による生成AIモデルを訓練する。 評価の結果,本手法は欠陥を効果的かつ効果的に修復することを可能にし,従来の色を正確に再現するのに苦労する代替手法の限界を克服し,重要な手作業を必要とする可能性がある。

関連論文リスト

• A Watermark for Auto-Regressive Image Generation Models [50.599325258178254]
  画像生成モデル用に明示的に設計された歪みのない透かし法であるC-reweightを提案する。 C-reweightは画像の忠実性を維持しながら再起動ミスマッチを緩和する。
  論文  参考訳（メタデータ） (2025-06-13T00:15:54Z)
• 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)
• Essential Features: Reducing the Attack Surface of Adversarial Perturbations with Robust Content-Aware Image Preprocessing [5.831840281853604]
  画像に摂動を加えることで、機械学習モデルを騙して誤った予測をすることができる。 このような摂動に対する防御の1つのアプローチは、摂動の影響を取り除くために画像前処理関数を適用することである。 本稿では,イメージをロバストな特徴空間に変換する,Essential Featuresと呼ばれる新しい画像前処理手法を提案する。
  論文  参考訳（メタデータ） (2020-12-03T04:40:51Z)

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。