Технические науки

CASCADED NEURAL NETWORKS FOR IMAGE INPAINTING [КАСКАДНЫЕ НЕЙРОННЫЕ СЕТИ ДЛЯ ВОССТАНОВЛЕНИЯ ИЗОБРАЖЕНИЙ]

Shatokhin A.V.

Email: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Shatokhin Arseny Valerievich – Вachelor of Science,

DEPARTMENT OF INFORMATION ANALYTICS AND POLITICAL TECHNOLOGIES,

BAUMAN MOSCOW STATE TECHNICAL UNIVERSITY, MOSCOW

Abstract: this paper introduces a new resource-saving solution to the problem of retrieving part of an image. Most image-retrieval functions require the ability to extract structured features to understand the context of an unfamiliar environment and realistic image restoration. The proposed model is based on the conceptual art of convolutional architecture and reproductive opposition models. This method allows you to achieve high quality retrieval of a person's face image, while requiring a minimum amount of resources. The generator design of the generator makes it easier to make better use of the resources used by extracting features from the image tower - the more complex earth features are extracted with less modification, which can significantly reduce the resources used. This paper provides a comparative evaluation of the method used, and the competition, which ensures that by presenting cascade generator design ideas, high quality can be obtained without the use of any back-end processing at minimal source costs. This paper also presents an analysis of the key components of the new approach, showing their importance for the proposed approach.

Keywords: deep learning, partial image restoration, cascade neural networks, generative adversarial networks.

Шатохин А.В.

Шатохин Арсений Валерьевич – бакалавр наук,

кафедра информационной аналитики и политических технологий,

Московский государственный технический университет им. Н.Э. Баумана, г. Москва

Аннотация: эта статья представляет новое ресурсосберегающее решение проблемы восстановления части изображения. Большинство функций поиска изображений требуют способности извлекать структурированные признаки для понимания контекста незнакомой среды и восстановления реалистичного изображения. Предлагаемая модель основана на концептуальном искусстве сверточной архитектуры и моделей репродуктивной оппозиции. Этот метод позволяет добиться высокого качества поиска изображения лица человека, требуя при этом минимального количества ресурсов. Конструкция генератора упрощает более эффективное использование ресурсов, извлекаемых из башни изображений - более сложные объекты земли извлекаются с меньшими изменениями, что может значительно сократить используемые ресурсы. В этой статье дается сравнительная оценка используемого метода и конкурентов, что гарантирует, что путем представления идей проектирования каскадных генераторов можно получить высокое качество без использования какой-либо внутренней обработки при минимальных затратах на источник. В этом документе также представлен анализ ключевых компонентов нового подхода, показывающий их важность для предлагаемого подхода.

Ключевые слова: глубокое обучение, частичное восстановление изображений, каскадные нейронные сети, генеративные состязательные сети.

References / Список литературы

• Goodfellow Ian J., Pouget-Abadie Jean, Mirza Mehdi, Xu Bing, Warde-Farley David, Ozair Sherjil, Courville Aaron C. and Bengio Yoshua. Generative adversarial nets. NIPS,
• Zhao Н., Qi X., Shen X., Shi J. Icnet for real-time semantic segmentation on high-resolution images, arXiv:1704.08545, 2017.
• Tero Karras, Timo Aila, Samuli Laine and Jaakko Lehtinen, 2017. Progressive growing of gans for improved quality, stability, and variation. arXiv:1710.10196, 2017.
• Barnes С., Shechtman Е., Finkelstein А. and Goldman D. Patchmatch: A randomized correspondence algorithm for structural image editing. ACM Transactions on Graphics, 2009.
• Fedorov Vadim, Facciolo Gabriele and Arias Pablo. “Variational framework for non-local inpainting”, Image Processing Online. Vol. 5. Pp. 362–386, 2015.
• He К. and Sun J. Statistics of patch offsets for image completion. In ECCV. Рages 16–29. Springer, 2012.
• Pathak D., Krahenbuhl Р., Donahue J., Darrell Т. and Efros A.A. Context encoders: Feature learning by inpainting. In CVPR, pages 2536–2544, 2016.
• Yu J., Lin Z., Yang J., Shen Х., Lu Х. and Huang T.S. Generative image inpainting with contextual attention. arXiv preprint arXiv:1801.07892, 2018.
• Yi Wang, Xin Tao, Xiaojuan Qi, Xiaoyong Shen, and Jiaya Jia. Image inpainting via generative multi-column convolutional neural networks. In NeurIPS, 2018.
• Karras Tero, Aila Timo, Laine Samuli and Lehtinen Jaakko, 2017. Progressive growing of gans for improved quality, stability, and variation. arXiv preprint arXiv:1710.10196.
• Howard Andrew G., Menglong Zhu, Bo Chen, Kalenichenko Dmitry, Weijun Wang, Weyand Tobias, Andreetto Marco and Hartwig Adam. Mobilenets: Efficient convolutional neural networks for mobile vision applications. CoRR, abs/1704.04861, 2017. 2, 4, 5, 6.
• He К., Zhang Х., Ren S. and Sun J. Deep residual learning for image recognition. In CVPR, 1, 2, 3, 4, 5, 6.
• Yu F. and Koltun V. Multi-scale context aggregation by dilated convolutions. In ICLR, 2016.
• Johnson J., Alahi А. and Fei-Fei L. Perceptual losses for real-time style transfer and super- resolution. 2016
• Simonyan Karen and Zisserman Andrew, Very deep convolutional networks for large- scale image recognition. arXiv preprint arXiv:1409.1556, 2014.
• Krizhevsky Alex, Sutskever Ilya and Hinton Geoffrey E., ImageNet Classification with Deep Convolutional Neural Networks. In Neural Information Processing Systems (NIPS). 1106–1114.
• Takeru Miyato, Toshiki Kataoka, Masanori Koyama and Yuichi Yoshida. Spectral normalization for generative adversarial networks. In ICLR, 2018.
• Ting-Chun Wang, Ming-Yu Liu, Jun-Yan Zhu, Tao Andrew, Kautz Jan and Catanzaro Bryan. High-resolution image synthesis and semantic manipulation with conditional CoRR, abs/1711.11585, 2017.
• Kingma D.P. and Ba J. Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980, 2014.
• Ulyanov D., Vedaldi А. and Lempitsky V. Instance normalization: The missing ingredient for fast stylization. arXiv preprint arXiv:1607.08022, 2016.

Ссылка для цитирования данной статьи

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
Ссылка для цитирования. Шатохин А.В. КАСКАДНЫЕ НЕЙРОННЫЕ СЕТИ ДЛЯ ВОССТАНОВЛЕНИЯ ИЗОБРАЖЕНИЙ [CASCADED NEURAL NETWORKS FOR IMAGE INPAINTING] // LXXV International Scientific Review of the Problems and Prospects of Modern Science and Education Свободное цитирование при указании авторства:https://scientific-conference.com/grafik/grafik-2020-pervoe-polugodie.html  ( Boston. USA. - 23 November, 2020). с. {см. сборник}

 

Поделитесь данной статьей, повысьте свой научный статус в социальных сетях

Tweet