論文の概要: Self-supervised Image Enhancement Network: Training with Low Light Images Only

• arxiv url: http://arxiv.org/abs/2002.11300v1
• Date: Wed, 26 Feb 2020 04:39:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 15:36:44.955716
• Title: Self-supervised Image Enhancement Network: Training with Low Light Images Only
• Title（参考訳）: 自己監督型画像強調ネットワーク:低照度画像のみによるトレーニング
• Authors: Yu Zhang, Xiaoguang Di, Bin Zhang, Chunhui Wang
• Abstract要約: 本稿では,ディープラーニングに基づく自己監督型低光画像強調手法を提案する。 情報エントロピー理論とRetinexモデルに着想を得て,最大エントロピーに基づくRetinexモデルを提案した。 提案手法が処理速度と効果の観点から最先端に到達したことを実験により証明できる。
• 参考スコア（独自算出の注目度）: 7.673186894097549
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a self-supervised low light image enhancement method based on deep learning. Inspired by information entropy theory and Retinex model, we proposed a maximum entropy based Retinex model. With this model, a very simple network can separate the illumination and reflectance, and the network can be trained with low light images only. We introduce a constraint that the maximum channel of the reflectance conforms to the maximum channel of the low light image and its entropy should be largest in our model to achieve self-supervised learning. Our model is very simple and does not rely on any well-designed data set (even one low light image can complete the training). The network only needs minute-level training to achieve image enhancement. It can be proved through experiments that the proposed method has reached the state-of-the-art in terms of processing speed and effect.
• Abstract（参考訳）: 本稿では,ディープラーニングに基づく自己教師付き低光度画像強調手法を提案する。 情報エントロピー理論とRetinexモデルに着想を得て,最大エントロピーに基づくRetinexモデルを提案した。 このモデルでは、非常に単純なネットワークが照明と反射を分離することができ、低光画像でのみネットワークを訓練することができる。 我々は,反射率の最大チャネルが低照度画像の最大チャネルに一致するという制約を導入し,そのエントロピーは自己教師付き学習を実現するために,我々のモデルで最大となるべきである。 私たちのモデルは極めて単純で、よく設計されたデータセットに依存していません(低光度画像でもトレーニングを完了できます)。 ネットワークは、画像エンハンスメントを達成するのに、分単位のトレーニングしか必要としない。 提案手法が処理速度と効果の点で最先端に到達したことは実験によって証明できる。

関連論文リスト

• Zero-Reference Low-Light Enhancement via Physical Quadruple Priors [58.77377454210244]
  本稿では,標準光画像のみをトレーニング可能な,ゼロ参照低光強調フレームワークを提案する。 このフレームワークは、画像にさかのぼる照明不変性を復元し、自動的に低照度化を実現します。
  論文  参考訳（メタデータ） (2024-03-19T17:36:28Z)
• Zero-LED: Zero-Reference Lighting Estimation Diffusion Model for Low-Light Image Enhancement [2.9873893715462185]
  ゼロLEDと呼ばれる低照度画像強調のための新しいゼロ参照光推定拡散モデルを提案する。 拡散モデルの安定収束能力を利用して、低照度領域と実常照度領域の間のギャップを埋める。 ゼロ参照学習を通じてペアのトレーニングデータへの依存を緩和する。
  論文  参考訳（メタデータ） (2024-03-05T11:39:17Z)
• E$^{2}$GAN: Efficient Training of Efficient GANs for Image-to-Image Translation [69.72194342962615]
  拡散モデルからGANを蒸留するプロセスは、より効率的にできるのか? まず、一般化された特徴を持つベースGANモデルを構築し、微調整により異なる概念に適応し、スクラッチからトレーニングの必要性を排除した。 第2に,ベースモデル全体の微調整を行うのではなく,低ランク適応(LoRA)を簡易かつ効果的なランク探索プロセスで行う。 第3に、微調整に必要な最小限のデータ量を調査し、トレーニング時間を短縮する。
  論文  参考訳（メタデータ） (2024-01-11T18:59:14Z)
• Retinexformer: One-stage Retinex-based Transformer for Low-light Image Enhancement [96.09255345336639]
  低照度画像の高精細化のために,原理化された1段Retinex-based Framework (ORF) を定式化する。 ORFはまず照明情報を推定し、低照度画像を照らす。 我々のアルゴリズムであるRetinexformerは13のベンチマークで最先端の手法を大幅に上回っている。
  論文  参考訳（メタデータ） (2023-03-12T16:54:08Z)
• Energy-Inspired Self-Supervised Pretraining for Vision Models [36.70550531181131]
  エネルギーベースモデル(EBM)にインスパイアされた自己教師型ビジョンモデル事前学習フレームワークを導入する。 提案手法では,1つのネットワークの前方・後方通過としてエネルギー推定とデータ復元をモデル化する。 提案手法は,学習のエポックを極端に少なくして,同等で,さらに優れた性能を提供できることを示す。
  論文  参考訳（メタデータ） (2023-02-02T19:41:00Z)
• NoiSER: Noise is All You Need for Enhancing Low-Light Images Without Task-Related Data [103.04999391668753]
  タスク関連のトレーニングデータなしで、低照度画像を拡張できることが示される。 技術的には、アンダーラインノイズと呼ばれる新しい、魔法的で、効果的で効率的な方法を提案する。 我々のNoiSERは、量的および視覚的な結果の観点から、現在のタスク関連データに基づくLLIEモデルと非常に競合しています。
  論文  参考訳（メタデータ） (2022-11-09T06:18:18Z)
• Learning to Relight Portrait Images via a Virtual Light Stage and Synthetic-to-Real Adaptation [76.96499178502759]
  Relightingは、イメージ内の人物を、ターゲットの照明のある環境に現れたかのように再照らすことを目的としている。 最近の手法は、高品質な結果を得るためにディープラーニングに依存している。 そこで本研究では,光ステージを必要とせずに,SOTA(State-of-the-art Relighting Method)と同等に動作可能な新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-09-21T17:15:58Z)
• Enhancing Low-Light Images in Real World via Cross-Image Disentanglement [58.754943762945864]
  そこで本研究では,現実の汚職とミスアライメントされたトレーニング画像からなる,新しい低照度画像強調データセットを提案する。 本モデルでは,新たに提案したデータセットと,他の一般的な低照度データセットの両方に対して,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-01-10T03:12:52Z)
• Self-supervised Low Light Image Enhancement and Denoising [8.583910695494726]
  本稿では,深層学習に基づく自己監視型低照度画像強調法を提案する。 画像コントラストを改善し、ノイズを同時に低減し、プレ/ポストデノーミングによるぼかしを避けることができる。
  論文  参考訳（メタデータ） (2021-03-01T08:05:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。