論文の概要: Texture-Aware Strategies for Subregion Style Transfer Augmentation

• arxiv url: http://arxiv.org/abs/2610.33910v1
• Date: Sat, 24 Oct 2026 20:47:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.482223
• Title: Texture-Aware Strategies for Subregion Style Transfer Augmentation
• Title（参考訳）: サブリージョンスタイルの移動促進のためのテクスチャーアウェア戦略
• Abstract要約: データ拡張のための一般的な戦略は、外観変化を豊かにするためにトレーニング画像にスタイル転送を適用することである。 最近のアプローチでは、画像サブリージョンをスタイル変換パッチに選択的に置き換えることで、スタイル拡張とランダム消去を組み合わせている。 テクスチャ対応のサブリージョンスタイル拡張フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 8.54230343427328
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A common strategy for data augmentation is to apply style transfer on training images to enrich appearance variations. Recent approaches have combined style augmentation with random erasing by selectively replacing image subregions with style-transferred patches. However, existing methods rely on uniformly random region selection or fixed geometric constraints, which may fail to cover informative texture patterns and limit augmentation diversity. To address these limitations, we propose a texture-aware subregion style augmentation framework that prioritizes regions with strong texture responses for style replacement. Furthermore, we extend this framework with a hybrid region strategy that combines a texture-driven region with an auxiliary random region, implicitly enabling more diverse style perturbations. Experiments demonstrate that our approach achieves higher classification accuracy and improves robustness compared with existing style-based augmentation methods.
• Abstract（参考訳）: データ拡張のための一般的な戦略は、外観変化を豊かにするためにトレーニング画像にスタイル転送を適用することである。 最近のアプローチでは、画像サブリージョンをスタイル変換パッチに選択的に置き換えることで、スタイル拡張とランダム消去を組み合わせている。 しかし、既存の手法は、一様ランダムな領域選択や固定された幾何学的制約に依存しており、情報的テクスチャパターンをカバーできず、拡張の多様性を制限できない可能性がある。 これらの制約に対処するために,テクスチャ対応のサブリージョンスタイル拡張フレームワークを提案する。 さらに,このフレームワークを,テクスチャ駆動領域と補助ランダム領域を組み合わせたハイブリッド領域戦略で拡張し,より多様なスタイルの摂動を暗黙的に可能とした。 提案手法は,従来のスタイルベースの拡張手法と比較して,高い分類精度を実現し,ロバスト性の向上を図っている。

関連論文リスト

• MeshMosaic: Scaling Artist Mesh Generation via Local-to-Global Assembly [62.48017648785026]
  MeshMosaicは,100K以上の三角形にスケールするアーティストメッシュ生成のための,新たなローカル・グローバルなフレームワークである。 MeshMosaicは,幾何学的忠実度とユーザの好みの両方において,最先端の手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-09-24T11:02:03Z)
• Data Augmentation Through Random Style Replacement [1.3816838580887625]
  スタイル拡張とランダム消去の利点を組み合わせた新しいデータ拡張手法を提案する。 提案手法はまず,まずトレーニング画像にランダムなスタイル転送を適用し,次に,これらの画像の中から選択された領域を,スタイル変換されたバージョンから派生したパッチでランダムに置き換える。
  論文  参考訳（メタデータ） (2025-04-14T16:46:32Z)
• Region-Aware Text-to-Image Generation via Hard Binding and Soft Refinement [40.94329069897935]
  本稿では,正確なレイアウト構成のための地域記述を前提とした地域認識テキスト・画像生成手法であるRAGを提案する。 RAGは従来のチューニング不要手法よりも属性バインディングやオブジェクト関係よりも優れた性能を実現している。
  論文  参考訳（メタデータ） (2024-11-10T18:45:41Z)
• Region-controlled Style Transfer [3.588126599266807]
  本研究では,損失関数を用いて異なる領域のスタイル強度を制約する学習手法を提案する。 本手法は,スタイル画像とコンテンツ画像の勾配関係に基づいて,異なる領域におけるスタイル特徴の伝達強度を導出する。 また,その意味的関係を保ちながら,コンテンツ特徴をスタイル特徴に類似するように線形に変換する新たな特徴融合手法を提案する。
  論文  参考訳（メタデータ） (2023-10-24T09:11:34Z)
• Retinex-guided Channel-grouping based Patch Swap for Arbitrary Style Transfer [54.25418866649519]
  パッチマッチングベースのスタイル転送の基本原理は、コンテンツ画像特徴マップのパッチを、スタイル画像特徴マップから最も近いパッチで置き換えることである。 既存の手法では、全チャネルスタイルの特徴パッチを単純な信号テンソルとして扱い、信号レベル融合による新しいスタイルの特徴パッチを作成する。 本稿では、上記の課題を解決するために、チャネルグループベースのパッチスワップスワップ技術であるRetinex理論を提案する。
  論文  参考訳（メタデータ） (2023-09-19T11:13:56Z)
• Learning Graph Neural Networks for Image Style Transfer [131.73237185888215]
  最先端のパラメトリックおよび非パラメトリックなスタイル転送アプローチは、グローバルな統計アライメントによる局所的なスタイルパターンの歪んだり、パッチミスマッチによるアーティファクトを減らしたりする傾向にある。 本稿では,パラメトリック型と非パラメトリック型の両方のスタイライゼーションの欠如を緩和する,新しい半パラメトリック型ニューラルスタイルトランスファーフレームワークについて検討する。
  論文  参考訳（メタデータ） (2022-07-24T07:41:31Z)
• Controllable Person Image Synthesis with Spatially-Adaptive Warped Normalization [72.65828901909708]
  制御可能な人物画像生成は、望ましい属性を持つ現実的な人間の画像を作成することを目的としている。 本稿では,学習フロー場とワープ変調パラメータを統合した空間適応型ワープ正規化(SAWN)を提案する。 本稿では,テクスチャ・トランスファータスクの事前学習モデルを洗練するための,新たな自己学習部分置換戦略を提案する。
  論文  参考訳（メタデータ） (2021-05-31T07:07:44Z)
• Manifold Alignment for Semantically Aligned Style Transfer [61.1274057338588]
  我々は,同じ意味領域からの画像特徴が多様体を形成し,複数の意味領域を持つ画像が多次元分布に従うことを仮定する。 この仮定に基づき、スタイル伝達問題は2つの多次元分布の整列として定式化される。 提案したフレームワークは、出力とスタイルイメージの間の意味的に類似した領域を、類似したスタイルパターンを共有することができる。
  論文  参考訳（メタデータ） (2020-05-21T16:52:37Z)

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。