Improving Sketch Colorization using Adversarial Segmentation Consistency

要約

スケッチからカラー画像を生成する新しい方法を提案します。
スケッチのカラー化における現在のソリューションは、追加のユーザー指示を必要とするか、「ペア」の変換戦略に制限されています。
汎用パノプティック セグメンテーション ネットワークからセマンティック イメージ セグメンテーションを活用して、追加の敵対的損失関数を生成します。
提案された損失関数は、任意の GAN モデルと互換性があります。
私たちの方法は、セグメンテーション ラベルを持つデータセットに限定されず、対になっていない翻訳タスクにも適用できます。
定性的および定量的分析を使用し、ユーザー調査に基づいて、4 つの異なる画像データセットに対するこの方法の有効性を示します。
FID メトリックでは、モデルはベースラインを最大 35 ポイント改善します。
新しく導入されたデータセットと対応するスケッチ画像を生成するためのコード、事前トレーニング済みモデル、スクリプトは、https://github.com/giddyyupp/AdvSegLoss で入手できます。

要約(オリジナル)

We propose a new method for producing color images from sketches. Current solutions in sketch colorization either necessitate additional user instruction or are restricted to the ‘paired’ translation strategy. We leverage semantic image segmentation from a general-purpose panoptic segmentation network to generate an additional adversarial loss function. The proposed loss function is compatible with any GAN model. Our method is not restricted to datasets with segmentation labels and can be applied to unpaired translation tasks as well. Using qualitative, and quantitative analysis, and based on a user study, we demonstrate the efficacy of our method on four distinct image datasets. On the FID metric, our model improves the baseline by up to 35 points. Our code, pretrained models, scripts to produce newly introduced datasets and corresponding sketch images are available at https://github.com/giddyyupp/AdvSegLoss.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google