論文の概要: Texture-aware Intrinsic Image Decomposition with Model- and Learning-based Priors

• arxiv url: http://arxiv.org/abs/2509.09352v1
• Date: Thu, 11 Sep 2025 11:07:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.347637
• Title: Texture-aware Intrinsic Image Decomposition with Model- and Learning-based Priors
• Title（参考訳）: モデルと学習に基づく先行画像を用いたテクスチャ認識内在画像分解
• Authors: Xiaodong Wang, Zijun He, Xin Yuan,
• Abstract要約: そこで本研究では,本質的な画像分解において,厳しい照明と豊かなテクスチャを扱うための新しい手法を提案する。 従来のテクスチャ認識と組み合わせることで,既存のアプローチよりも優れた結果が得られることを示す。
• 参考スコア（独自算出の注目度）: 10.34258784689083
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper aims to recover the intrinsic reflectance layer and shading layer given a single image. Though this intrinsic image decomposition problem has been studied for decades, it remains a significant challenge in cases of complex scenes, i.e. spatially-varying lighting effect and rich textures. In this paper, we propose a novel method for handling severe lighting and rich textures in intrinsic image decomposition, which enables to produce high-quality intrinsic images for real-world images. Specifically, we observe that previous learning-based methods tend to produce texture-less and over-smoothing intrinsic images, which can be used to infer the lighting and texture information given a RGB image. In this way, we design a texture-guided regularization term and formulate the decomposition problem into an optimization framework, to separate the material textures and lighting effect. We demonstrate that combining the novel texture-aware prior can produce superior results to existing approaches.
• Abstract（参考訳）: 本稿では, 固有反射層とシェーディング層を1枚の画像で再現することを目的とする。 この本質的な画像分解問題は何十年にもわたって研究されてきたが、複雑なシーン、すなわち空間的に変化する照明効果と豊かなテクスチャの場合に重要な課題である。 そこで本研究では,本研究では,高精細な照明とリッチなテクスチャを内在画像分解で処理し,高品質な内在画像を生成する手法を提案する。 具体的には,従来の学習手法では,RGB画像の照明情報やテクスチャ情報を推測するために,テクスチャレスや過度にスムースな内在画像を生成する傾向があった。 このようにして、テクスチャ誘導正規化項を設計し、分解問題を最適化フレームワークに定式化し、材料テクスチャと照明効果を分離する。 従来のテクスチャ認識と組み合わせることで,既存のアプローチよりも優れた結果が得られることを示す。

関連論文リスト

• ROSA: Reconstructing Object Shape and Appearance Textures by Adaptive Detail Transfer [3.5884936187733403]
  画像データのみに基づいて,空間適応型メッシュ解像度でメッシュ幾何学を直接最適化する逆レンダリング手法を提案する。 特に,メッシュの精細化と表面の滑らかさの局所的条件を,推定された通常のテクスチャとメッシュ曲率に基づいて検討する。 さらに,先駆的なタイルベースの手法により,高分解能なテクスチャの微細な外観の再現を可能にする。
  論文  参考訳（メタデータ） (2025-01-30T18:59:54Z)
• Directing Mamba to Complex Textures: An Efficient Texture-Aware State Space Model for Image Restoration [75.51789992466183]
  TAMAMbaIRは画像テクスチャの達成と性能と効率のトレードオフを同時に知覚する。 画像超解像, デラリニング, 低照度画像強調のためのベンチマーク実験により, TAMAMbaIRは高い効率で最先端の性能を達成できることを示した。
  論文  参考訳（メタデータ） (2025-01-27T23:53:49Z)
• ENTED: Enhanced Neural Texture Extraction and Distribution for Reference-based Blind Face Restoration [51.205673783866146]
  我々は,高品質でリアルな肖像画を復元することを目的とした,ブラインドフェイス修復のための新しいフレームワークであるENTEDを提案する。 劣化した入力画像と参照画像の間で高品質なテクスチャ特徴を伝達するために,テクスチャ抽出と分布の枠組みを利用する。 われわれのフレームワークにおけるStyleGANのようなアーキテクチャは、現実的な画像を生成するために高品質な潜伏符号を必要とする。
  論文  参考訳（メタデータ） (2024-01-13T04:54:59Z)
• Semantic Image Translation for Repairing the Texture Defects of Building Models [16.764719266178655]
  本稿では, ファサードテクスチャ画像の合成手法を提案する。 提案手法は,既存のテクスチャを欠いたファッケードに対して,テクスチャイメージを特定のスタイルで合成することも可能である。
  論文  参考訳（メタデータ） (2023-03-30T14:38:53Z)
• DIB-R++: Learning to Predict Lighting and Material with a Hybrid Differentiable Renderer [78.91753256634453]
  そこで本研究では,単体画像から固有物体特性を推定する難題について,微分可能量を用いて検討する。 そこで本研究では、スペクトル化とレイトレーシングを組み合わせることで、これらの効果をサポートするハイブリッド微分可能なDIBR++を提案する。 より高度な物理ベースの微分可能値と比較すると、DIBR++はコンパクトで表現力のあるモデルであるため、高い性能を持つ。
  論文  参考訳（メタデータ） (2021-10-30T01:59:39Z)
• Controllable Person Image Synthesis with Spatially-Adaptive Warped Normalization [72.65828901909708]
  制御可能な人物画像生成は、望ましい属性を持つ現実的な人間の画像を作成することを目的としている。 本稿では,学習フロー場とワープ変調パラメータを統合した空間適応型ワープ正規化(SAWN)を提案する。 本稿では,テクスチャ・トランスファータスクの事前学習モデルを洗練するための,新たな自己学習部分置換戦略を提案する。
  論文  参考訳（メタデータ） (2021-05-31T07:07:44Z)

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。