論文の概要: DepthTile: Depth-Guided Existing-Image Self-Tiling with Input-Side Tileability Assessment

• arxiv url: http://arxiv.org/abs/2610.16278v1
• Date: Mon, 12 Oct 2026 07:00:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 06:44:12.940619
• Title: DepthTile: Depth-Guided Existing-Image Self-Tiling with Input-Side Tileability Assessment
• Title（参考訳）: DepthTile: 入力側タイル性評価による既存のイメージセルフタイリング
• Abstract要約: 既存の画像の自撮りは、元のセマンティクスと局所的な詳細を保存しながら、与えられた画像をシームレスに繰り返し可能なタイルに変換することを目的としている。 既存の拡散に基づくタイリングパイプラインは境界の不連続を緩和するが、どの領域が幾何的に重要かは認識できない。 本稿では,DepthTileを提案する。DepthTile,DepthTile,DepthTile,DepthTile,DepthTile,DepthTile,DepthTile,DepthTile,DepthTile,DepthTile。
• 参考スコア（独自算出の注目度）: 15.583209099922867
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing-image self-tiling aims to transform a given image into a seamlessly repeatable tile while preserving its original semantics and local details. This task requires weak editing to retain the source but leave periodic seams, whereas strong editing improves tileability at the large risk of content drift.Existing diffusion-based tiling pipelines alleviate boundary discontinuities, yet lack awareness of which regions are geometrically important to preserve. In this work, we propose DepthTile, a depth-guided self-tiling method whose generation module requires no retraining of the diffusion backbone. It converts monocular depth into a spatial preservation prior and integrates it into the timestep-dependent masking mechanism of Tiled Diffusion. DepthTile converts depth into a spatial editability map and fuses it with the differential diffusion mask. This strengthens source preservation in near-field regions indicated by the monocular depth prior while retaining editing flexibility near compatible background boundaries. To access when self-tiling is feasible, we introduce the Self-Tiling Ability Score (STAS), a lightweight input-side predictor based on RGB, gradient, depth, and depth-gradient cues. On a 335-image benchmark, relative to the default Tiled Diffusion pipeline, DepthTile reduces MAE, LPIPS, and Tiling Score by 12.8%, 26.7%, and 8.4%, respectively. STAS reliably enables difficulty-aware analysis and further supports compatibility-aware pairwise image tiling.
• Abstract（参考訳）: 既存の画像の自撮りは、元のセマンティクスと局所的な詳細を保存しながら、与えられた画像をシームレスに繰り返し可能なタイルに変換することを目的としている。 このタスクは、ソースを保持するのに弱い編集を必要とするが、強い編集はコンテンツドリフトの大きなリスクでタイル性を改善するが、既存の拡散ベースのタイリングパイプラインは境界の不連続を緩和するが、どの領域が幾何的に重要かは認識できない。 本稿では,DepthTileを提案する。DepthTile,DepthTile,DepthTile,DepthTile,DepthTile,DepthTile,DepthTile,DepthTile。 単分子深度を先行した空間保存に変換し、タイド拡散の時間依存性マスキング機構に統合する。 DepthTileは深度を空間的編集可能性マップに変換し、微分拡散マスクで融合する。 これにより、モノラル深度で示される近距離領域のソース保存が強化され、互換性のある背景境界付近で編集の柔軟性が維持される。 RGB,勾配,深さ,深さ勾配に基づく軽量入力側予測器であるSelf-Tiling Ability Score(STAS)を導入する。 335イメージのベンチマークでは、デフォルトのTiled Diffusionパイプラインと比較して、DepthTileはMAE、LPIPS、Tiling Scoreをそれぞれ12.8%、26.7%、 8.4%削減している。 STASは、困難を意識した解析を確実に可能とし、さらに互換性に敏感なペアワイズ画像タイリングをサポートする。

関連論文リスト

• αDepth: Learning Single-Pass Soft Boundary Decomposition for Stereo Conversion [19.704821571508006]
  深さは、高忠実度ステレオ変換のためのソフト境界を分解する層状表現である。 複雑なマルチターゲットシーンを考慮し,グローバルターゲット抽出から局所境界分解へパラダイムをシフトさせるCAR(Circular Alpha Representation)を設計する。
  論文  参考訳（メタデータ） (2026-05-29T22:00:17Z)
• From Bands to Depth: Understanding Bathymetry Decisions on Sentinel-2 [0.23488056916440855]
  我々は,スウィントランスフォーマーに基づくU-Netモデル(Swin-BathyUNet)を分析し,それがどのように深みを推測し,いつその予測が信頼できるかを理解する。
  論文  参考訳（メタデータ） (2026-01-19T00:52:22Z)
• Towards Sharper Object Boundaries in Self-Supervised Depth Estimation [6.93581193918817]
  本手法は, 自己超越のみを用いて, 鮮明な深度不連続性を生成する。 我々は画素ごとの深度を混合分布としてモデル化し、複数の可視深度をキャプチャする。 この定式化は既存のパイプラインにシームレスに統合される。
  論文  参考訳（メタデータ） (2025-09-19T13:53:51Z)
• BokehDiff: Neural Lens Blur with One-Step Diffusion [62.59018200914645]
  ボケフディフ(BokehDiff)は、物理的に正確で視覚的に魅力的な結果が得られるレンズボウ描画法である。 提案手法では, 画像形成プロセスと整合する自己認識モジュールを物理に着想を得た。 付加雑音を導入することなく1ステップの推論方式に拡散モデルを適応させ,高品質で忠実な結果を得る。
  論文  参考訳（メタデータ） (2025-07-24T03:23:19Z)
• Marigold-DC: Zero-Shot Monocular Depth Completion with Guided Diffusion [57.08169927189237]
  奥行き完了のための既存の手法は、厳密に制約された設定で動作する。 単眼深度推定の進歩に触発されて,画像条件の深度マップ生成として深度補完を再構成した。 Marigold-DCは、単分子深度推定のための事前訓練された潜伏拡散モデルを構築し、試験時間ガイダンスとして深度観測を注入する。
  論文  参考訳（メタデータ） (2024-12-18T00:06:41Z)
• Unveiling the Depths: A Multi-Modal Fusion Framework for Challenging Scenarios [103.72094710263656]
  本稿では,学習に基づくフレームワークを用いて,支配的モダリティの奥行きを識別し,統合する手法を提案する。 本稿では,信頼度予測ネットワークを操り,潜在電位深度領域を特定する信頼マップを作成する新しい信頼損失を提案する。 得られた信頼度マップを用いて,最終深度をエンドツーエンドに融合するマルチモーダル融合ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-02-19T04:39:16Z)
• End-to-end Learning for Joint Depth and Image Reconstruction from Diffracted Rotation [10.896567381206715]
  回折回転から深度を学習する新しいエンド・ツー・エンド学習手法を提案する。 提案手法は, 単分子深度推定のタスクにおいて既存の手法よりもはるかに少ない複雑なモデルと少ないトレーニングデータを必要とする。
  論文  参考訳（メタデータ） (2022-04-14T16:14:37Z)
• Adaptive confidence thresholding for monocular depth estimation [83.06265443599521]
  本稿では,自己教師付ステレオマッチング法から生成されたステレオ画像の擬似地上真実深度マップを利用する新しい手法を提案する。 擬似地底深度マップの信頼度マップを推定し、不正確な擬似地底深度マップによる性能劣化を緩和する。 実験結果から, 最先端の単分子深度推定法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2020-09-27T13:26:16Z)
• Discontinuous and Smooth Depth Completion with Binary Anisotropic Diffusion Tensor [0.3166654021990827]
  単一画像で誘導されるスパース深度マップから教師なしリアルタイム高密度深度補完を提案する。 本手法は,物体間の不連続性を保ちながら,滑らかな深度マップを生成する。
  論文  参考訳（メタデータ） (2020-06-25T13:16:47Z)

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。