論文の概要: Fine-Grained Spatially Varying Material Selection in Images

• arxiv url: http://arxiv.org/abs/2506.09023v2
• Date: Wed, 11 Jun 2025 17:49:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-12 16:13:48.095576
• Title: Fine-Grained Spatially Varying Material Selection in Images
• Title（参考訳）: 画像における微細粒度空間変化材料選択
• Authors: Julia Guerrero-Viu, Michael Fischer, Iliyan Georgiev, Elena Garces, Diego Gutierrez, Belen Masia, Valentin Deschaintre,
• Abstract要約: 本稿では,光源や反射率の変動に頑健な画像の材料選択法を提案する。 本稿では,従来の方法よりも微細で安定した選択結果を得るマルチレゾリューション処理戦略を提案する。
• 参考スコア（独自算出の注目度）: 15.144970138065288
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Selection is the first step in many image editing processes, enabling faster and simpler modifications of all pixels sharing a common modality. In this work, we present a method for material selection in images, robust to lighting and reflectance variations, which can be used for downstream editing tasks. We rely on vision transformer (ViT) models and leverage their features for selection, proposing a multi-resolution processing strategy that yields finer and more stable selection results than prior methods. Furthermore, we enable selection at two levels: texture and subtexture, leveraging a new two-level material selection (DuMaS) dataset which includes dense annotations for over 800,000 synthetic images, both on the texture and subtexture levels.
• Abstract（参考訳）: 選択は、多くの画像編集プロセスにおける最初のステップであり、共通のモダリティを共有する全ピクセルの高速かつ簡易な修正を可能にする。 本研究では、下流編集作業に使用できる光や反射率の変化に頑健な画像の材料選択方法を提案する。 我々は、視覚変換器(ViT)モデルに頼り、それらの特徴を選択に活用し、従来の方法よりも微細で安定した選択結果を得るマルチレゾリューション処理戦略を提案する。 さらに、テクスチャとサブテクスチャの2つのレベルでの選択を可能にし、テクスチャとサブテクスチャの両方で80,000以上の合成画像に対する高密度アノテーションを含む新しい2レベルマテリアルセレクション(DuMaS)データセットを活用する。

関連論文リスト

• Materialist: Physically Based Editing Using Single-Image Inverse Rendering [50.39048790589746]
  本稿では、学習に基づくアプローチとプログレッシブな微分可能レンダリングを組み合わせた手法を提案する。 提案手法は,より現実的な光物質相互作用,正確な影,大域的な照明を実現する。 また,全シーン形状を必要とせず,効果的に機能する材料透過性編集手法を提案する。
  論文  参考訳（メタデータ） (2025-01-07T11:52:01Z)
• A Survey of Multimodal-Guided Image Editing with Text-to-Image Diffusion Models [117.77807994397784]
  画像編集は、ユーザーが特定の要求を満たすために、与えられた合成画像または実際の画像を編集することを目的としている。 この分野での最近の顕著な進歩は、テキスト・ツー・イメージ(T2I)拡散モデルの開発に基づいている。 T2Iベースの画像編集手法は、編集性能を大幅に向上させ、マルチモーダル入力でガイドされたコンテンツを修正するためのユーザフレンドリーなインタフェースを提供する。
  論文  参考訳（メタデータ） (2024-06-20T17:58:52Z)
• Materialistic: Selecting Similar Materials in Images [30.85562156542794]
  アーティスト・ちょうせんエリアと同じ素材を示す写真の領域を選択する方法を提案する。 提案手法は、シェーディング、スペックハイライト、キャストシャドーに対して堅牢であり、実際の画像の選択を可能にする。 本モデルでは,画像編集,動画内選択,類似した素材を用いたオブジェクト画像の検索など,一連の応用について実演する。
  論文  参考訳（メタデータ） (2023-05-22T17:50:48Z)
• SceneComposer: Any-Level Semantic Image Synthesis [80.55876413285587]
  任意の精度のセマンティックレイアウトから条件付き画像合成のための新しいフレームワークを提案する。 このフレームワークは、形状情報のない最低レベルのテキスト・トゥ・イメージ(T2I)に自然に還元され、最高レベルのセグメンテーション・トゥ・イメージ(S2I)となる。 本稿では,この新たなセットアップの課題に対処する,新しいテクニックをいくつか紹介する。
  論文  参考訳（メタデータ） (2022-11-21T18:59:05Z)
• Deep Image Compositing [93.75358242750752]
  ユーザ入力なしで高品質の画像合成を自動生成する手法を提案する。 ラプラシアン・ピラミッド・ブレンディングにインスパイアされ、フォアグラウンドや背景画像からの情報を効果的に融合させるために、密結合型多ストリーム融合ネットワークが提案されている。 実験により,提案手法は高品質な合成物を自動生成し,定性的かつ定量的に既存手法より優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-11-04T06:12:24Z)
• RetrieveGAN: Image Synthesis via Differentiable Patch Retrieval [76.87013602243053]
  本稿では,シーン記述からイメージを抽出したパッチを参照として合成する,識別可能な検索モジュールを提案する。 提案手法が現実的かつ多様な画像を生成可能であることを示すため,広範に定量的かつ定性的な実験を行った。
  論文  参考訳（メタデータ） (2020-07-16T17:59:04Z)
• Multi-Channel Attention Selection GANs for Guided Image-to-Image Translation [148.9985519929653]
  本稿では,画像から画像への変換のためのマルチチャネルアテンション選択生成支援ネットワーク(SelectionGAN)を提案する。 提案するフレームワークとモジュールは統合されたソリューションであり、セマンティック画像合成などの他の生成タスクに応用できる。
  論文  参考訳（メタデータ） (2020-02-03T23:17:10Z)

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。