論文の概要: MESA: A Training-Free Multi-Exemplar Deep Framework for Restoring Ancient Inscription Textures

• arxiv url: http://arxiv.org/abs/2604.17390v2
• Date: Tue, 21 Apr 2026 13:03:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 14:04:47.919439
• Title: MESA: A Training-Free Multi-Exemplar Deep Framework for Restoring Ancient Inscription Textures
• Title（参考訳）: MESA: 古代の碑文テクスチャを復元するためのトレーニング不要な多面的深層フレームワーク
• Authors: Vasileios Toulatzis, Sofia Theodoridou, Ioannis Fudos,
• Abstract要約: MESA(Multi-Exemplar, Style-Aware)は、保存状態の良い模範碑文を用いて損傷したテキストの復元をガイドする画像レベルの復元手法である。 MESAは、グラム行列としてVGG19畳み込み機能を符号化し、典型的なテクスチャ、スタイル、ストローク構造をキャプチャする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ancient inscriptions frequently suffer missing or corrupted regions from fragmentation, erosion, or other damage, hindering reading, and analysis. We review prior image restoration methods and their applicability to inscription image recovery, then introduce MESA (Multi-Exemplar, Style-Aware) -an image-level restoration method that uses well-preserved exemplar inscriptions (from the same epigraphic monument, material, or similar letterforms) to guide reconstruction of damaged text. MESA encodes VGG19 convolutional features as Gram matrices to capture exemplar texture, style, and stroke structure; for each neural network layer it selects the exemplar minimizing Mean-Squared Displacement (MSD) to the damaged input. Layer-wise contribution weights are derived from Optical Character Recognition-estimated character widths in the exemplar set to bias filters toward scales matching letter geometry, and a training mask preserves intact regions so synthesis is restricted to damaged areas. We also summarize prior network architectures and exemplar and single-image synthesis, inpainting, and Generative Adversarial Network (GAN) approaches, highlighting limitations that MESA addresses. Comparative experiments demonstrate the advantages of MESA. Finally, we provide a practical roadmap for choosing restoration strategies given available exemplars and metadata.
• Abstract（参考訳）: 古代の碑文は、断片化、浸食、その他の損傷から欠落した地域や腐敗した地域をしばしば苦しめ、読みや分析を妨げている。 画像復元法とその画像復元への適用性について概説し, 損傷したテキストの復元を導くために, 保存状態の良い例文(画像モニュメント, 資料, あるいは類似の文字など)を用いた画像レベルの復元法であるMESA(Multi-Exemplar, Style-Aware)を導入する。 MESAは、グラム行列としてVGG19畳み込み機能を符号化し、典型的なテクスチャ、スタイル、ストローク構造をキャプチャする。 レイヤワイドコントリビューション重みは、模範集合の光学文字認識推定文字幅から、文字幾何にマッチするスケールに向けてバイアスフィルタに導かれ、トレーニングマスクは、無傷領域を保存し、合成が損傷領域に制限される。 また、従来のネットワークアーキテクチャや、典型的な単画像合成、塗装、GAN(Generative Adversarial Network)アプローチを要約し、MESAが対処する制限を強調した。 比較実験はMESAの利点を示す。 最後に、利用可能な例とメタデータの復元戦略を選択するための実用的なロードマップを提供する。

関連論文リスト

• Retinex Meets Language: A Physics-Semantics-Guided Underwater Image Enhancement Network [44.83389527499136]
  物理シーマンティックスによる水中画像強調ネットワーク(PSG-UIENet)を提案する。 本ネットワークは、プリエントフリーイルミネーションエスタ、クロスモーダルテキストアリグナー、セマンティックスガイド画像復元器を含む。 提案したPSG-UIENetは15の最先端手法に対して優れた,あるいは同等の性能を発揮することを示す。
  論文  参考訳（メタデータ） (2026-03-07T07:10:20Z)
• Synthetic Craquelure Generation for Unsupervised Painting Restoration [17.344021694835345]
  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。
  論文  参考訳（メタデータ） (2026-02-13T09:13:46Z)
• Manifold-aware Representation Learning for Degradation-agnostic Image Restoration [135.90908995927194]
  画像復元(IR)は、ノイズ、ぼかし、迷路、雨、低照度といった様々な汚職に影響を受ける劣化した入力から高品質な画像を復元することを目的としている。 我々は、入力特徴空間を3つのセマンティックに整列した並列分岐に明示的に分解する1つのIRにおいて、すべてに統一されたフレームワークであるMIRAGEを提案する。 このモジュラ分解は、多種多様な分解の一般化と効率を大幅に改善する。
  論文  参考訳（メタデータ） (2025-05-24T12:52:10Z)
• TokBench: Evaluating Your Visual Tokenizer before Visual Generation [75.38270351179018]
  さまざまな画像トークンやVAEに対して,テキストと顔の復元品質をさまざまな尺度で分析する。 以上の結果から, 現代の視覚トークン化器は, 特に小規模では, 細粒度保存に苦慮していることが明らかとなった。
  論文  参考訳（メタデータ） (2025-05-23T17:52:16Z)
• Decompositional Neural Scene Reconstruction with Generative Diffusion Prior [64.71091831762214]
  完全な形状と詳細なテクスチャを持つ3次元シーンの分解的再構成は、下流の応用に興味深い。 近年のアプローチでは、この問題に対処するために意味的あるいは幾何学的正則化が取り入れられているが、制約の少ない領域では著しく劣化している。 本稿では,SDS(Score Distillation Sampling)の形で拡散先行値を用いたDP-Reconを提案し,新しい視点下で個々の物体の神経表現を最適化する。
  論文  参考訳（メタデータ） (2025-03-19T02:11:31Z)
• MULAN: A Multi Layer Annotated Dataset for Controllable Text-to-Image Generation [54.64194935409982]
  44K MUlti-Layer-wise RGBA 分解からなる新しいデータセット MuLAn を紹介する。 MuLAnは、高品質な画像のインスタンス分解と空間情報を提供する最初のフォトリアリスティックなリソースである。 我々は,新しい生成・編集技術,特にレイヤワイドソリューションの開発を促進することを目的としている。
  論文  参考訳（メタデータ） (2024-04-03T14:58:00Z)
• Image Compressed Sensing with Multi-scale Dilated Convolutional Neural Network [2.719222831651969]
  本稿では,CS計測と再構成のためのMsDCNN(Multiscale Dilated Convolution Neural Network)という新しいフレームワークを提案する。 測定期間中、完全に畳み込み構造を用いる訓練された測定ネットワークから、すべての測定値を直接取得する。 再建期間中に,人間の視覚システムを模倣するマルチスケール特徴抽出(MFE)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-09-28T01:11:56Z)
• PC-GANs: Progressive Compensation Generative Adversarial Networks for Pan-sharpening [50.943080184828524]
  空間情報とスペクトル情報の漸進的補償によりMS画像のシャープ化を行うパンシャーピングの新しい2段階モデルを提案する。 モデル全体が三重GANで構成されており、特定のアーキテクチャに基づいて、三重GANを同時に訓練できるように、共同補償損失関数が設計されている。
  論文  参考訳（メタデータ） (2022-07-29T03:09:21Z)
• 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。