論文の概要: OmniStyle-INR: Universal and Multimodal Style Transfer for INRs
- arxiv url: http://arxiv.org/abs/2607.16362v1
- Date: Fri, 17 Jul 2026 12:51:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.131649
- Title: OmniStyle-INR: Universal and Multimodal Style Transfer for INRs
- Title（参考訳）: OmniStyle-INR:INRのユニバーサルおよびマルチモーダルスタイル転送
- Abstract要約: 我々はネットワークベースの連続表現を真に普遍的なドメインとして活用する新しいフレームワークであるOmniStyle-INRを紹介する。
提案手法は,テキストプロンプトと視覚的エクササイズの両方でシームレスに誘導される,すべての視覚的モダリティを横断する高品質なスタイル転送を実現する。
- 参考スコア（独自算出の注目度）: 0.31690235522182103
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Style transfer remains a fundamental and highly important task across various data modalities, enabling creative manipulation conditioned by both reference images and textual descriptions. Recently, methods utilizing Gaussian Splatting have emerged as a unified representation for 2D images, video, 3D scenes, and 4D dynamics. However, representing videos and 2D images with Gaussian Splatting is structurally sub-optimal for dense continuous domains. The number of required Gaussians often approaches the total number of pixels, raising questions about the actual utility of such a representation for these specific modalities. In contrast, Implicit Neural Representations have established themselves as a much more popular and natural choice across all these data domains. Implicit Neural Representations naturally provide significant advantages, including data compression, inherent capabilities for super resolution, and seamless integration with deep generative models. To this end, we introduce OmniStyle-INR, a novel framework that leverages network-based continuous representations as a truly universal domain. Our approach successfully performs high-quality style transfer across all visual modalities, guided seamlessly by both text prompts and visual exemplars.
- Abstract（参考訳）: スタイル転送は、様々なデータモダリティにまたがる基本的で非常に重要なタスクであり、参照画像とテキスト記述の両方によって条件付けられた創造的な操作を可能にする。
近年,2次元画像,ビデオ,3次元シーン,4次元ダイナミックスの統一表現としてガウススプラッティングを用いた手法が登場している。
しかし、ガウススプラッティングを用いたビデオと2次元画像の表現は、高密度連続領域に対して構造的に準最適である。
要求されるガウスの数は、しばしばピクセルの総数に近づき、これらの特定のモダリティに対するそのような表現の実際の有用性について疑問を呈する。
これとは対照的に、Implicit Neural Representationsは、これらすべてのデータドメインに対して、よりポピュラーで自然な選択肢として、自らを確立している。
Implicit Neural Representationsは、データ圧縮、スーパー解像度に固有の機能、深層生成モデルとのシームレスな統合など、自然に重要な利点を提供する。
この目的のために、ネットワークベースの連続表現を真に普遍的なドメインとして活用する新しいフレームワークであるOmniStyle-INRを紹介する。
提案手法は,テキストプロンプトと視覚的エクササイズの両方でシームレスに誘導される,すべての視覚的モダリティを横断する高品質なスタイル転送を実現する。
関連論文リスト
- GEN3D: Generating Domain-Free 3D Scenes from a Single Image [13.128331445276764]
Gen3dは、1つの画像から高品質で広スコープで汎用的な3Dシーンを生成する新しい方法である。
多様なデータセットに対する実験により,本手法の強い一般化能力と優れた性能が示された。
論文 参考訳（メタデータ） (2025-11-18T09:40:43Z) - 2D Gaussian Splatting with Semantic Alignment for Image Inpainting [46.266955851252504]
2次元ガウススプラッティングに基づく最初の画像インペイントフレームワークを提案する。
グローバルなセマンティック一貫性のために、事前訓練されたDINOモデルの特徴を取り入れる。
本手法は,定量的指標と知覚的品質の両面での競合性能を実現する。
論文 参考訳（メタデータ） (2025-09-02T05:12:52Z) - Superpixel-informed Continuous Low-Rank Tensor Representation for Multi-Dimensional Data Recovery [17.554617777765866]
低ランクテンソル表現(LRTR)は多次元データ処理の強力なツールとして登場した。
Superpixel-informed Continuous Low-rank Representation (SCTR)フレームワークは、多次元データの連続的かつ柔軟なモデリングを可能にする。
SCTRは、マルチスペクトル画像、ビデオ、カラー画像にまたがる既存のLRTR法よりも3～5dBのPSNRの改善を実現している。
論文 参考訳（メタデータ） (2025-08-17T06:58:42Z) - Towards Fusing Point Cloud and Visual Representations for Imitation Learning [57.886331184389604]
本稿では,ポイントクラウドとRGBの両特性を効果的に組み合わせた新しい模倣学習手法であるFPV-Netを提案する。
適応層ノルム条件付けを用いて,グローバルおよびローカル画像トークン上のポイントクラウドエンコーダを条件付けする。
論文 参考訳（メタデータ） (2025-02-17T20:46:54Z) - OPa-Ma: Text Guided Mamba for 360-degree Image Out-painting [9.870063736691556]
我々は,従来の狭視野画像(NFoV)から360度画像を生成するという,最近の話題に対処する。
この課題は、NFoV画像から合理的で一貫した環境を予測することを目的としている。
そこで本稿では,Mambaと呼ばれる状態空間モデルを備えた新しいテキスト誘導アウトペイントフレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-15T17:23:00Z) - Image-GS: Content-Adaptive Image Representation via 2D Gaussians [52.598772767324036]
本稿では,2次元ガウス放射率に基づくコンテンツ適応型画像表現であるImage-GSを紹介する。
リアルタイム使用のためにハードウェアフレンドリーな高速アクセスをサポートし、ピクセルをデコードするためには0.3KのMACしか必要としない。
テクスチャ圧縮、セマンティクス対応圧縮、共同画像圧縮と復元など、いくつかのアプリケーションでその汎用性を実証する。
論文 参考訳（メタデータ） (2024-07-02T00:45:21Z) - Fully Context-Aware Image Inpainting with a Learned Semantic Pyramid [102.24539566851809]
画像中の任意の欠落する領域に対して、合理的で現実的なコンテンツを復元することは、重要な課題である。
最近の画像インパインティングモデルは鮮明な視覚的詳細を生成するために大きな進歩を遂げているが、それでもテクスチャのぼやけや構造的歪みにつながる可能性がある。
本研究では,画像中の局所的欠落コンテンツの回復に大きく貢献する,多スケールなセマンティック・セマンティック・ピラミッド・ネットワーク(SPN)を提案する。
論文 参考訳（メタデータ） (2021-12-08T04:33:33Z) - OSLO: On-the-Sphere Learning for Omnidirectional images and its
application to 360-degree image compression [59.58879331876508]
全方向画像の表現モデルの学習について検討し、全方向画像の深層学習モデルで使用される数学的ツールを再定義するために、HEALPixの球面一様サンプリングの特性を利用することを提案する。
提案したオン・ザ・スフィア・ソリューションは、等方形画像に適用された類似の学習モデルと比較して、13.7%のビットレートを節約できる圧縮ゲインを向上させる。
論文 参考訳（メタデータ） (2021-07-19T22:14:30Z) - Towards Open-World Text-Guided Face Image Generation and Manipulation [52.83401421019309]
顔画像生成と操作の両方に統一的なフレームワークを提案する。
本手法は,画像とテキストの両方を含むオープンワールドシナリオをサポートし,再トレーニングや微調整,後処理は行わない。
論文 参考訳（メタデータ） (2021-04-18T16:56:07Z) - Adversarial Generation of Continuous Images [31.92891885615843]
本稿では,INRに基づく画像デコーダ構築のための2つの新しいアーキテクチャ手法を提案する。
私たちは、最先端の連続画像GANを構築するためにそれらを使用します。
提案したINR-GANアーキテクチャは連続画像生成装置の性能を数倍改善する。
論文 参考訳（メタデータ） (2020-11-24T11:06:40Z) - DF-GAN: A Simple and Effective Baseline for Text-to-Image Synthesis [80.54273334640285]
本稿では,異なる生成装置間の絡み合わずに高解像度画像を直接合成する,新しい1段階のテキスト・ツー・イメージバックボーンを提案する。
また,Matching-Aware Gradient Penalty と One-Way Output を組み合わせた新たなターゲット認識識別器を提案する。
現在の最先端手法と比較して,提案するDF-GANはよりシンプルだが,現実的およびテキストマッチング画像の合成には効率的である。
論文 参考訳（メタデータ） (2020-08-13T12:51:17Z)
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。