쌓인 기록에서 찾기
무엇을 찾으세요? 날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위 2026년 8월 13일 (목) 부터 2026년 11월 5일 (목)까지 3990건
2건 · "이미지 자르기"조건 지우기 ×
001 21:11 ▲ 36 · 댓글 1 360도 파노라마도 구성미 판단해 프레이밍하는 AI 기존 사진 자르기 기법은 이미 있는 이미지에서 어디를 자를지만 결정하지만, 360도 파노라마는 먼저 어느 방향을 봐야 할지 찾아야 한다. AI · 머신러닝 · PhotoGuider: Composition-Aware Cropping and 360^{circ} View Framing with Explainable Photographic Assessments
Key Point 360도 파노라마 이미지의 최적 프레이밍을 자동으로 결정하고 설명해주는 AI 방법이 필요한 3D 콘텐츠 제작과 가상 현실 분야에서 실용적 활용이 가능해진다.
핵심 요약
기존 사진 자르기 기법은 이미 있는 이미지에서 어디를 자를지만 결정하지만, 360도 파노라마는 먼저 어느 방향을 봐야 할지 찾아야 한다. PhotoGuider는 측정 후 프레이밍 방식으로 구성미 기반 방향 선택과 최종 프레이밍을 모두 해결하는 첫 방법이다. Subject, Composition, Aesthetics, Integrity 네 가지 포토그래픽 토큰으로 구성미를 인식하는 특징을 추출하고, 기초 및 태스크 특화 비전 모델을 사용한다. 전체 요약 7문장 읽기 → 002 21:11 ▲ 24 · 댓글 2 합성 데이터 없이 실제 이미지로 훈련하는 장면 글자 편집 장면 글자 편집(STE)은 원본 스타일을 유지하면서 텍스트 내용을 수정하는 기술로, 기존 접근법들은 합성 쌍 데이터에 의존해 실제 장면의 다양성을 제대로 포착하지 못하고 인공물을 생성하는 문제가 있다. AI · 머신러닝 · Real In, Real Out: What If We Only Use Real Data for Scene Text Editing?
Key Point 실제 이미지만으로 학습하면서도 합성 데이터에 의존하는 기존 방식의 도메인 격차 문제를 해결하고, 나아가 글자 인식 모델의 성능까지 높일 수 있다는 점이 중요하다.
핵심 요약
장면 글자 편집(STE)은 원본 스타일을 유지하면서 텍스트 내용을 수정하는 기술로, 기존 접근법들은 합성 쌍 데이터에 의존해 실제 장면의 다양성을 제대로 포착하지 못하고 인공물을 생성하는 문제가 있다. 논문은 실제 샘플 하나를 여러 방식으로 손상시켜(자르기, 섞기, 마스킹 등) 자체 쌍 학습 데이터를 만드는 방식으로, 합성 데이터 없이 훈련이 가능한지 탐구했다. TextRIRO는 조건부 확산 모델 기반의 기준 모델로, 문자 열 섞기와 이미지 자르기(Shuffle&Crop)를 결합할 때 텍스트 의미는 파괴하면서 스타일 단서는 보존하여 모델이 실제 텍스트 이미지에서 직접 편집 행동을 학습할 수 있다. 전체 요약 6문장 읽기 → 
