論文の概要: Synthetic Craquelure Generation for Unsupervised Painting Restoration

• arxiv url: http://arxiv.org/abs/2602.12742v1
• Date: Fri, 13 Feb 2026 09:13:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:53.900601
• Title: Synthetic Craquelure Generation for Unsupervised Painting Restoration
• Title（参考訳）: 無監督塗装修復のための合成クラックルア生成
• Authors: Jana Cuch-Guillén, Antonio Agudo, Raül Pérez-Gonzalo,
• Abstract要約: ドメイン固有の合成クラックルアジェネレータによって駆動される完全にアノテーションのないフレームワークを提案する。 我々のアプローチでは、古典的なモルフォロジー検出器と学習ベースリファインメントモジュールを結合する。 私たちのパイプラインは、ゼロショット設定で最先端の写真復元モデルよりも大幅に優れています。
• 参考スコア（独自算出の注目度）: 17.344021694835345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cultural heritage preservation increasingly demands non-invasive digital methods for painting restoration, yet identifying and restoring fine craquelure patterns from complex brushstrokes remains challenging due to scarce pixel-level annotations. We propose a fully annotation-free framework driven by a domain-specific synthetic craquelure generator, which simulates realistic branching and tapered fissure geometry using Bézier trajectories. Our approach couples a classical morphological detector with a learning-based refinement module: a SegFormer backbone adapted via Low-Rank Adaptation (LoRA). Uniquely, we employ a detector-guided strategy, injecting the morphological map as an input spatial prior, while a masked hybrid loss and logit adjustment constrain the training to focus specifically on refining candidate crack regions. The refined masks subsequently guide an Anisotropic Diffusion inpainting stage to reconstruct missing content. Experimental results demonstrate that our pipeline significantly outperforms state-of-the-art photographic restoration models in zero-shot settings, while faithfully preserving the original paint brushwork.
• Abstract（参考訳）: 文化遺産保存は、絵画修復のための非侵襲的なデジタル手法をますます求めているが、複雑なブラシストロークから微細なクレクルルパターンを特定し、復元することは、ピクセルレベルのアノテーションが不足しているため、依然として困難である。 そこで本研究では,Bézier trajectories を用いて,現実的な分岐およびテーパーファイジャー幾何をシミュレートする,ドメイン固有な合成クレーカージェネレータによって駆動される完全にアノテーションのないフレームワークを提案する。 我々のアプローチでは、古典的なモルフォロジー検出器と学習ベースリファインメントモジュール(Lo-Rank Adaptation (LoRA)を応用したSegFormerバックボーン)を結合する。 また, マスク付きハイブリッド損失とロジット調整により, 候補クラック領域の精製に特化して焦点を絞る訓練を行ない, 入力空間として形態マップを注入する。 精製されたマスクはその後、異方性拡散塗装の段階を案内し、行方不明のコンテンツを再構築する。 実験結果から,本パイプラインは,原画の筆画を忠実に保ちながら,ゼロショット設定で最先端の写真復元モデルよりも大幅に優れていたことが確認された。

関連論文リスト

• Active Adversarial Noise Suppression for Image Forgery Localization [56.98050814363447]
  本稿では、敵騒音の攻撃効果を抑制するために、防御的摂動を発生させる敵騒音抑制モジュール(ANSM)を提案する。 我々の知る限りでは、画像フォージェリローカライゼーションタスクにおける敵対的防御の報告としてはこれが初めてである。
  論文  参考訳（メタデータ） (2025-06-15T14:53:27Z)
• Bridging Knowledge Gap Between Image Inpainting and Large-Area Visible Watermark Removal [57.84348166457113]
  本稿では,事前学習した画像の塗装モデルの表現能力を活用する新しい特徴適応フレームワークを提案する。 本手法は, 透かしの残像の残像を塗布バックボーンモデルに流し込むことにより, 透かしと透かし除去の知識ギャップを埋めるものである。 高品質な透かしマスクへの依存を緩和するために,粗い透かしマスクを用いて推論プロセスを導出する新たな訓練パラダイムを導入する。
  論文  参考訳（メタデータ） (2025-04-07T02:37:14Z)
• DiffLoss: unleashing diffusion model as constraint for training image restoration network [4.8677910801584385]
  我々はDiffLossと呼ばれる画像復元ネットワークのトレーニングを支援するために拡散モデルを暗黙的に活用する新しい視点を導入する。 これら2つの設計を組み合わせることで、全体的な損失関数は画像復元の知覚的品質を改善することができ、視覚的に快く、意味的に強化された結果をもたらす。
  論文  参考訳（メタデータ） (2024-06-27T09:33:24Z)
• Denoising as Adaptation: Noise-Space Domain Adaptation for Image Restoration [64.84134880709625]
  拡散モデルを用いて,雑音空間を介して領域適応を行うことが可能であることを示す。 特に、補助的な条件入力が多段階の復調過程にどのように影響するかというユニークな性質を活用することにより、有意義な拡散損失を導出する。 拡散モデルにおけるチャネルシャッフル層や残留スワッピング型コントラスト学習などの重要な戦略を提案する。
  論文  参考訳（メタデータ） (2024-06-26T17:40:30Z)
• BFRFormer: Transformer-based generator for Real-World Blind Face Restoration [37.77996097891398]
  本稿では,トランスフォーマーをベースとしたブラインドフェイス復元手法BFRFormerを提案する。 提案手法は, 合成データセットと実世界の4つのデータセットにおいて, 最先端の手法より優れる。
  論文  参考訳（メタデータ） (2024-02-29T02:31:54Z)
• Indoor Scene Reconstruction with Fine-Grained Details Using Hybrid Representation and Normal Prior Enhancement [50.56517624931987]
  多視点RGB画像からの室内シーンの再構成は、平坦領域とテクスチャレス領域の共存により困難である。 近年の手法では、予測された表面正規化によって支援されたニューラルラジアンス場を利用してシーン形状を復元している。 本研究は, 上記の制限に対処して, 高忠実度表面を細かな詳細で再構築することを目的とする。
  論文  参考訳（メタデータ） (2023-09-14T12:05:29Z)
• Artifact Restoration in Histology Images with Diffusion Probabilistic Models [10.016731839549259]
  組織学的全スライド画像(WSI)は通常、組織の折り畳みや気泡などの人工物によって妥協される。 既存のアーティファクト画像復元手法はGAN(Generative Adversarial Networks)に限られている 組織学的アーティファクト修復(ArtiFusion)のための拡散確率モデルの最初の試みを行う。
  論文  参考訳（メタデータ） (2023-07-26T15:50:02Z)
• DeepMend: Learning Occupancy Functions to Represent Shape for Repair [0.6087960723103347]
  DeepMendは、学習された占有機能を使って骨折形状の修復を再構築する新しいアプローチである。 本研究は, フラクチャー形状の占有を, 基礎となる完全形状の占有と破壊面との結合として表現する。 人工および実世界の走査対象物に模擬骨折を施行し, 実破折マグカップを採取した。
  論文  参考訳（メタデータ） (2022-10-11T18:42:20Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)

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。