This paper presents an inpainting m

This paper presents an inpainting method based on 2D semi-supervised canonical correlation analysis (2D semi-CCA) including new priority estimation. The proposed method estimates relationship, i.e., the optimal correlation, between missing area and its neighboring area from known parts within the target image by using 2D CCA. In this approach, we newly introduce a semi-supervised scheme into the 2D CCA for deriving the 2D semi-CCA which corresponds to a hybrid version of 2D CCA and 2D principle component analysis (2D PCA). This enables successful relationship estimation even if sufficient number of training pairs cannot be provided. Then, by using the obtained relationship, accurate estimation of the missing intensities can be realized. Furthermore, in the proposed method, errors caused in the new variate space obtained by the 2D semi-CCA are effectively used for deriving patch priority determining inpainting order of missing areas. Experimental results show our inpainting method can outperform previously reported methods.

ผลลัพธ์ (ไทย) 1:

เอกสารนี้แสดงวิธีการ inpainting ตามการวิเคราะห์ความสัมพันธ์เป็นที่ยอมรับมีกึ่ง 2D (2 มิติกึ่ง-CCA) รวมทั้งประเมินระดับความสำคัญใหม่ วิธีการนำเสนอประเมินความสัมพันธ์ เช่น ที่สุดความสัมพันธ์ ระหว่างพื้นที่หายไปและพื้นที่ใกล้เคียงเป็นส่วนชื่อดังในภาพเป้าหมายโดย 2D CCA ในวิธีนี้ เราเพิ่งนำแบบกึ่งมีเป็น CCA 2D สำหรับบริษัทฯ 2D กึ่ง-CCA ซึ่งตรงกับรุ่นไฮบริ 2D CCA และวิเคราะห์ส่วนประกอบหลัก 2 มิติ (2D PCA) นี้ช่วยให้การประเมินความสัมพันธ์ประสบความสำเร็จแม้ว่าจำนวนคู่ฝึกอบรมเพียงพอไม่ได้ แล้ว โดยใช้ความสัมพันธ์ที่ได้รับ ประเมินความถูกต้องของการปลดปล่อยก๊าซที่หายไปสามารถเป็นจริง นอกจากนี้ ในวิธีการนำเสนอ ข้อผิดพลาดที่เกิดขึ้นในพื้นที่ variate ใหม่ที่ได้รับ โดย 2D กึ่ง CCA มีประสิทธิภาพใช้สำหรับบริษัทฯ แก้ไขสำคัญกำหนดสั่ง inpainting พื้นที่หายไป ดูผลการทดลองวิธีการ inpainting ของเราสามารถ outperform ก่อนหน้านี้รายงานวิธีการ

ผลลัพธ์ (ไทย) 2:

บทความนี้นำเสนอวิธีการจัดการระบบสีที่อยู่บนพื้นฐานของ 2D กึ่งดูแลการวิเคราะห์ความสัมพันธ์ที่ยอมรับ (2D กึ่ง CCA) รวมทั้งการประมาณค่าลำดับความสำคัญใหม่ วิธีการประมาณการความสัมพันธ์ที่นำเสนอคือความสัมพันธ์ที่เหมาะสมระหว่างพื้นที่ที่ขาดหายไปและพื้นที่ใกล้เคียงที่รู้จักกันจากส่วนที่อยู่ในภาพเป้าหมายโดยใช้ 2D CCA ในวิธีนี้เราเพิ่งแนะนำโครงการกึ่งภายใต้การดูแลเข้าไปใน CCA 2D สำหรับ deriving 2D กึ่ง CCA ซึ่งสอดคล้องกับรุ่นไฮบริดของ CCA 2D และการวิเคราะห์องค์ประกอบหลักการ 2D (2D PCA) ซึ่งจะช่วยให้การประมาณค่าความสัมพันธ์ที่ประสบความสำเร็จแม้ว่าจำนวนที่เพียงพอของการฝึกอบรมคู่ไม่สามารถให้ จากนั้นโดยใช้ความสัมพันธ์ที่ได้รับการประมาณค่าที่ถูกต้องของความเข้มที่หายไปสามารถรับรู้ นอกจากนี้ในวิธีการที่นำเสนอข้อผิดพลาดที่เกิดในพื้นที่ตัวแปรใหม่ที่ได้รับจาก 2D กึ่ง CCA จะมีการใช้อย่างมีประสิทธิภาพสำหรับ deriving แพทช์จัดลำดับความสำคัญการพิจารณาเพื่อการจัดการระบบสีในพื้นที่ที่ขาดหายไป ผลการทดลองแสดงให้เห็นวิธีการจัดการระบบสีของเราสามารถมีประสิทธิภาพสูงกว่าวิธีการรายงานก่อนหน้านี้

ผลลัพธ์ (ไทย) 3:

บทความนี้นำเสนอวิธีการยึดแบบ 2D กึ่ง InPaintingComment การวิเคราะห์สหสัมพันธ์คาโนนิคอล ( 2D กึ่ง CCA ) รวมทั้งการประเมินลำดับความสำคัญใหม่ วิธีการประเมินความสัมพันธ์ คือ ความสัมพันธ์ที่เหมาะสมระหว่างพื้นที่และพื้นที่ใกล้เคียง ที่ขาดหายไปจากส่วนที่รู้จักกันภายในภาพ โดยใช้ 2D CCA . ในวิธีการนี้เราเพิ่งแนะนำกึ่งดูแลโครงการเป็น CCA 2D สำหรับ deriving 2D กึ่ง CCA ซึ่งสอดคล้องกับรุ่นไฮบริดของ CCA 2D และการวิเคราะห์องค์ประกอบหลัก ( PCA แบบ 2D ) นี้จะช่วยให้ประเมินความสัมพันธ์ที่ประสบความสำเร็จแม้ว่าจำนวนเพียงพอของคู่การฝึกอบรมไม่สามารถให้ แล้วโดยใช้การวิเคราะห์ความสัมพันธ์การประเมินความถูกต้องของความเข้มที่ขาดหายไปก็จะเป็นจริงได้ นอกจากนี้ ในวิธีการที่เสนอข้อผิดพลาดที่เกิดใหม่ในพื้นที่ที่ได้รับ variate โดย 2D กึ่ง CCA ที่มีการใช้อย่างมีประสิทธิภาพเพื่อใช้แพทช์ก่อนกำหนด InPaintingComment เพื่อพื้นที่ที่ขาดหายไป ผลการทดลองแสดงให้เห็นว่าวิธีการ InPaintingComment ของเราสามารถ outperform
รายงานก่อนหน้านี้วิธีการ