Präzise Erkennung von Konturen unter hohem Rauschen durch lernbasierte Aufmerksamkeitsmechanismen
Ein differenzierbares Modell, das explizit Konturen, Ecken und Knotenpunkte in Bildern unter hohem Rauschen lokalisiert, indem es einen Mechanismus der "Boundary Attention" verwendet.
Präzise Erkennung von Konturen unter hohem Rauschen durch lernbasierte Aufmerksamkeitsmechanismen
Ein differenzierbares Modell, das explizit Konturen, Ecken und Kreuzungen in Bildern unter Verwendung eines Mechanismus der Konturaufmerksamkeit modelliert und vorhersagt.
Robuste Verbesserung von Bildern bei schwacher Beleuchtung durch physikalische Vierfach-Priors
Unser Modell nutzt einen neuartigen, beleuchtungsunabhängigen "physikalischen Vierfach-Prior", um Bilder bei schwacher Beleuchtung ohne Referenzbilder zu verbessern. Durch die Verwendung eines großen generativen Diffusionsmodells können wir die fehlenden Informationen aus dem Prior effektiv ergänzen.
Optimierte farbklassifizierte Kolorierung mit Segment Anything Model (SAM) unterstützter objektselektiver Farbharmonisierung
Unser Modell CCC++ löst das Problem der Farbungleichgewichte in Bildern, indem es die Farbwerte in diskrete Farbklassen umwandelt, die Gewichtung der Farbklassen während des Trainings anpasst und eine objektselektive Farbharmonisierung mit Hilfe des Segment Anything Model (SAM) durchführt, um die Farbdarstellung zu verfeinern und zu verbessern.
Automatisierte Extraktion und Digitalisierung technischer Zeichnungen mithilfe von Deep Learning
Entwicklung eines innovativen Verfahrens zur automatischen Extraktion und Digitalisierung technischer Zeichnungen unter Verwendung von Deep-Learning-Methoden.
Hochauflösende stilisierte Gesichtsskizzen-Extraktion mit begrenzten Daten durch generatives Vorwissen
Durch die Nutzung der semantischen Informationen aus einem vortrainierten StyleGAN-Modell kann ein Skizzengenerator mit nur 16 Bildpaaren trainiert werden, um hochauflösende stilisierte Gesichtsskizzen aus Eingabebildern zu extrahieren.
Verbesserung von auf Flussmodellen basierenden Generativen Super-Auflösungsmodellen durch einen erlernten Vorwert
Durch die Einführung eines bedingten erlernten Vorwerts in die Inferenzphase eines auf Flussmodellen basierenden Super-Auflösungsmodells können die inhärenten Probleme von Flussmodellen wie Gitterartefakte, explodierende Inverse und suboptimale Ergebnisse aufgrund einer festen Abtasttemperatur effektiv behoben werden.
IMPRINT: Generatives Objektkompositing durch Erlernen einer identitätserhaltenden Darstellung
IMPRINT, ein neuartiges zweistufiges Kompositionsmodell, zeichnet sich durch hervorragende Identitätserhaltung und nahtlose Hintergrundanpassung aus, indem es den Kompositionsprozess in die Teilaufgaben der Identitätserhaltung und der Hintergrundanpassung unterteilt.
Automatische Extraktion geometrischer Primitive aus historischen astronomischen Diagrammen
Unser Modell kann historische astronomische Diagramme in einfache geometrische Primitive wie Linien, Kreise und Bögen zerlegen, indem es eine transformerbasierte Vektorisierungsmethode verwendet, die auf synthetischen Daten trainiert wird und auf einem herausfordernden Datensatz von 303 Diagrammen aus dem 12. bis 18. Jahrhundert genau arbeitet.
