Alapfogalmak
이 논문은 객체 제거를 위한 이미지 인페인팅 성능을 향상시키기 위해 객체 마스크를 최적화하는 방법을 제안한다. 객체 분할 네트워크와 인페인팅 네트워크를 연결하여 엔드-투-엔드 학습을 수행하고, 마스크 확장 손실 함수를 통해 마스크 크기를 최적화한다.
Kivonat
이 논문은 객체 제거를 위한 이미지 인페인팅 성능 향상을 목표로 한다.
- 학습 단계에서 객체 마스크와 랜덤 마스크 간의 도메인 갭을 해결하기 위해 객체 영역을 배경 이미지에 합성하여 학습 데이터를 생성한다.
- 객체 분할 네트워크와 인페인팅 네트워크를 연결하여 엔드-투-엔드로 학습하여, 인페인팅 성능을 향상시키기 위한 객체 마스크를 최적화한다.
- 마스크 확장 손실 함수를 제안하여 객체 영역을 최소한으로 포함하도록 마스크를 최적화한다.
- 실험 결과, 제안 방법이 다양한 인페인팅 성능 지표에서 기존 최신 방법들을 능가함을 보인다.
Statisztikák
마스크 크기가 작을수록 인페인팅 성능이 크게 저하된다.
객체 마스크를 사용한 학습이 랜덤 마스크를 사용한 학습보다 성능이 우수하다.
제안 방법의 마스크 확장 손실 함수를 사용하면 인페인팅 성능이 향상된다.
Idézetek
"마스크 크기의 작은 차이가 인페인팅 결과에 상당한 변동성을 야기한다."
"객체 마스크와 인페인팅에 적합한 마스크 간의 도메인 갭을 해결하기 위해 객체 분할 네트워크와 인페인팅 네트워크를 연결하여 엔드-투-엔드로 학습한다."
"마스크 확장 손실 함수를 통해 객체 영역을 최소한으로 포함하도록 마스크를 최적화한다."