論文の概要: SemanticStitch: Enhancing Image Coherence through Foreground-Aware Seam Carving

• arxiv url: http://arxiv.org/abs/2511.12084v2
• Date: Fri, 21 Nov 2025 04:13:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-24 14:08:26.065513
• Title: SemanticStitch: Enhancing Image Coherence through Foreground-Aware Seam Carving
• Title（参考訳）: SemanticStitch: 前景を意識したシーム彫刻による画像コヒーレンス向上
• Authors: Ji-Ping Jin, Chen-Bin Feng, Rui Fan, Chi-Man Vong,
• Abstract要約: 伝統的なシーム彫刻法は意味情報を無視し、前景の連続性を混乱させる。 深層学習に基づくフレームワークであるSemanticStitchを導入する。このフレームワークは,前景オブジェクトの意味的先行を組み込んで,その完全性を維持し,視覚的コヒーレンスを高める。 本手法は,有意な物体の意味的整合性を強調し,縫合品質を著しく向上する新規な損失関数を含む。
• 参考スコア（独自算出の注目度）: 16.875629105210695
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Image stitching often faces challenges due to varying capture angles, positional differences, and object movements, leading to misalignments and visual discrepancies. Traditional seam carving methods neglect semantic information, causing disruptions in foreground continuity. We introduce SemanticStitch, a deep learning-based framework that incorporates semantic priors of foreground objects to preserve their integrity and enhance visual coherence. Our approach includes a novel loss function that emphasizes the semantic integrity of salient objects, significantly improving stitching quality. We also present two specialized real-world datasets to evaluate our method's effectiveness. Experimental results demonstrate substantial improvements over traditional techniques, providing robust support for practical applications.
• Abstract（参考訳）: 画像縫合はしばしば、様々な捕獲角度、位置差、物体の動きによって困難に直面する。 伝統的なシーム彫刻法は意味情報を無視し、前景の連続性を混乱させる。 深層学習に基づくフレームワークであるSemanticStitchを導入する。このフレームワークは,前景オブジェクトのセマンティックな先入観を取り入れて,それらの整合性を維持し,視覚的コヒーレンスを高める。 本手法は,有意な物体の意味的整合性を強調し,縫合品質を著しく向上する新規な損失関数を含む。 また,本手法の有効性を評価するために,2つの専門的な実世界のデータセットを提案する。 実験の結果、従来の技術よりも大幅に改善され、実用的なアプリケーションに対して堅牢なサポートが提供された。

関連論文リスト

• Style Transfer: From Stitching to Neural Networks [5.539031975261105]
  本稿では,画像処理における2つのスタイル転送手法を比較した。 従来の方法では、既存の画像から小さなパッチを縫い合わせることで、新しい画像を合成する。また、セグメンテーションネットワークを使用して、前景オブジェクトを分離し、背景のみにスタイル転送を適用する、現代的な機械学習ベースのアプローチである。
  論文  参考訳（メタデータ） (2024-09-01T04:07:03Z)
• DiffUHaul: A Training-Free Method for Object Dragging in Images [78.93531472479202]
  DiffUHaulと呼ばれるオブジェクトドラッグタスクのためのトレーニング不要な手法を提案する。 まず、各認知段階に注意マスキングを適用して、各生成を異なるオブジェクトにまたがってよりゆがみやすくする。 初期のデノナイジングステップでは、ソース画像とターゲット画像の注意特徴を補間して、新しいレイアウトを元の外観とスムーズに融合させる。
  論文  参考訳（メタデータ） (2024-06-03T17:59:53Z)
• Take a Prior from Other Tasks for Severe Blur Removal [52.380201909782684]
  知識蒸留に基づくクロスレベル特徴学習戦略 多レベルアグリゲーションとセマンティックアテンション変換によるセマンティック事前埋め込み層を効果的に統合する。 GoProやRealBlurのデータセットのような、自然な画像劣化ベンチマークと実世界の画像の実験は、我々の方法の有効性と能力を実証している。
  論文  参考訳（メタデータ） (2023-02-14T08:30:51Z)
• Image Inpainting Guided by Coherence Priors of Semantics and Textures [62.92586889409379]
  セマンティクスとテクスチャ間のコヒーレンスプリエンスを導入することにより、セマンティクス的な方法で別々のテクスチャを完成させることに集中できる。 また,全体構造と詳細なテクスチャの観点から,セマンティクスとインペインテッドイメージの一貫性を制約する2つのコヒーレンス損失を提案する。
  論文  参考訳（メタデータ） (2020-12-15T02:59:37Z)
• Rethinking of the Image Salient Object Detection: Object-level Semantic Saliency Re-ranking First, Pixel-wise Saliency Refinement Latter [62.26677215668959]
  本稿では,意味的に有意な領域を粗い位置で特定する,軽量で教師付きの深層ネットワークを提案する。 次に,これらセマンティック・サリエント領域の深層モデルを画素ワイド・サリエンシ改善として融合する。 提案手法は単純だが有効であり,本手法は主眼をオブジェクトレベルのセマンティック・リグレード問題とみなすための最初の試みである。
  論文  参考訳（メタデータ） (2020-08-10T07:12:43Z)
• Unsupervised Learning of Landmarks based on Inter-Intra Subject Consistencies [72.67344725725961]
  本稿では,物体間ランドマーク成分を顔画像に組み込むことにより,画像ランドマーク発見のための教師なし学習手法を提案する。 これは、補助的な主題関連構造に基づいて、元の主題のランドマークを変換するオブジェクト間マッピングモジュールによって達成される。 変換された画像から元の被写体に戻るために、ランドマーク検出器は、対のオブジェクト内画像と対のオブジェクト間画像の両方に一貫した意味を含む空間的位置を学習せざるを得ない。
  論文  参考訳（メタデータ） (2020-04-16T20:38:16Z)

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。