論文の概要: Generative Texture Filtering

• arxiv url: http://arxiv.org/abs/2604.19039v1
• Date: Tue, 21 Apr 2026 03:44:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.602039
• Title: Generative Texture Filtering
• Title（参考訳）: ジェネレーティブテクスチャフィルタ
• Authors: Rongjia Zheng, Shangwei Huang, Lei Zhu, Wei-Shi Zheng, Qing Zhang,
• Abstract要約: 本稿では,驚くほど優れた性能と一般化性を示すテクスチャフィルタリング法を提案する。 我々の中核となる考え方は、事前学習された生成モデルに先立って、強力な学習画像のフル活用によってテクスチャフィルタリングを強化することである。
• 参考スコア（独自算出の注目度）: 50.448992398395006
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a generative method for texture filtering, which exhibits surprisingly good performance and generalizability. Our core idea is to empower texture filtering by taking full advantage of the strong learned image prior of pre-trained generative models. To this end, we propose to fine-tune a pre-trained generative model via a two-stage strategy. Specifically, we first conduct supervised fine-tuning on a very small set of paired images, and then perform reinforcement fine-tuning on a large-scale unlabeled dataset under the guidance of a reward function that quantifies the quality of texture removal and structure preservation. Extensive experiments show that our method clearly outperforms previous methods, and is effective to deal with previously challenging cases. Our code is available at https://github.com/OnlyZZZZ/Generative_Texture_Filtering.
• Abstract（参考訳）: 本稿では,驚くほど優れた性能と一般化性を示すテクスチャフィルタリング法を提案する。 我々の中核となる考え方は、事前学習された生成モデルに先立って、強力な学習画像をフル活用することでテクスチャフィルタリングを強化することである。 そこで本研究では,2段階戦略を用いて事前学習した生成モデルを微調整する。 具体的には、まず、非常に小さなペア画像に対して教師付き微調整を行い、次に、テクスチャ除去と構造保存の質を定量化する報酬関数の指導の下で、大規模未ラベルデータセット上で強化微調整を行う。 大規模な実験により,本手法は従来手法よりも明らかに優れており,従来の課題に対処する上で有効であることが明らかとなった。 私たちのコードはhttps://github.com/OnlyZZZ/Generative_Texture_Filteringで利用可能です。

関連論文リスト

• Learning Deblurring Texture Prior from Unpaired Data with Diffusion Model [92.61216319417208]
  画像の劣化に対する新しい拡散モデル(DM)に基づくフレームワークを提案する。 我々の研究は、ぼやけた画像のテクスチャを回復するのに役立つ事前知識を生成するために、DMを実行する。 生成したテクスチャをフル活用するために,テクスチャ転送変換層(TTformer)を提案する。
  論文  参考訳（メタデータ） (2025-07-18T01:50:31Z)
• Can We Generate Images with CoT? Let's Verify and Reinforce Image Generation Step by Step [86.69947123512836]
  CoT(Chain-of-Thought)推論は、複雑な理解タスクに取り組むために大規模なモデルで広く研究されている。 自己回帰画像生成を促進するために,CoT推論の可能性について,初めて包括的調査を行った。 本稿では,自動回帰画像生成に特化したPARMとPARM++を提案する。
  論文  参考訳（メタデータ） (2025-01-23T18:59:43Z)
• Empirical curvelet based Fully Convolutional Network for supervised texture image segmentation [2.780132626494265]
  教師付きテクスチャ分類/セグメンテーションを行うための新しい手法を提案する。 提案されているアイデアは、特定のテクスチャ記述子で完全な畳み込みネットワークを提供することである。 提案手法は,複数のデータセットを用いて評価し,その結果を各種最先端アルゴリズムと比較する。
  論文  参考訳（メタデータ） (2024-10-28T21:49:40Z)
• Active Generation for Image Classification [45.93535669217115]
  本稿では,モデルのニーズと特徴に着目し,画像生成の効率性に対処することを提案する。 能動学習の中心的傾向として,ActGenという手法が,画像生成のトレーニング・アウェア・アプローチを取り入れている。
  論文  参考訳（メタデータ） (2024-03-11T08:45:31Z)
• Disentangled Pre-training for Image Matting [74.10407744483526]
  画像マッチングは、深層モデルのトレーニングをサポートするために高品質なピクセルレベルの人間のアノテーションを必要とする。 本研究では、無限個のデータを活用する自己教師付き事前学習手法を提案し、マッチング性能を向上する。
  論文  参考訳（メタデータ） (2023-04-03T08:16:02Z)
• Robust Contrastive Learning Using Negative Samples with Diminished Semantics [23.38896719740166]
  慎重に設計された負のサンプルを生成することで、コントラスト学習がより堅牢な表現を学習できることが示される。 我々は, テクスチャベースとパッチベースの拡張という2つの手法を開発し, 負のサンプルを生成する。 また,本手法と生成したテクスチャベースサンプルを分析し,特定のイメージネットクラスを分類するにはテクスチャの特徴が不可欠であることを示す。
  論文  参考訳（メタデータ） (2021-10-27T05:38:00Z)

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。