論文の概要: Learning Multi-Scale Photo Exposure Correction

• arxiv url: http://arxiv.org/abs/2003.11596v3
• Date: Tue, 30 Mar 2021 05:19:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 03:49:51.272099
• Title: Learning Multi-Scale Photo Exposure Correction
• Title（参考訳）: マルチスケール露光補正の学習
• Authors: Mahmoud Afifi, Konstantinos G. Derpanis, Bj\"orn Ommer, Michael S. Brown
• Abstract要約: 露出を間違えた写真を撮影することは、カメラベースの画像の誤りの主な原因である。 本稿では,各サブプロブレムに個別に対処する粗大な深層ニューラルネットワーク(DNN)モデルを提案する。 提案手法は,未露出画像における既存の最先端手法と同等の結果を得る。
• 参考スコア（独自算出の注目度）: 51.57836446833474
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Capturing photographs with wrong exposures remains a major source of errors in camera-based imaging. Exposure problems are categorized as either: (i) overexposed, where the camera exposure was too long, resulting in bright and washed-out image regions, or (ii) underexposed, where the exposure was too short, resulting in dark regions. Both under- and overexposure greatly reduce the contrast and visual appeal of an image. Prior work mainly focuses on underexposed images or general image enhancement. In contrast, our proposed method targets both over- and underexposure errors in photographs. We formulate the exposure correction problem as two main sub-problems: (i) color enhancement and (ii) detail enhancement. Accordingly, we propose a coarse-to-fine deep neural network (DNN) model, trainable in an end-to-end manner, that addresses each sub-problem separately. A key aspect of our solution is a new dataset of over 24,000 images exhibiting the broadest range of exposure values to date with a corresponding properly exposed image. Our method achieves results on par with existing state-of-the-art methods on underexposed images and yields significant improvements for images suffering from overexposure errors.
• Abstract（参考訳）: 露出を間違えた写真を撮影することは、カメラベースの画像の誤りの主な原因である。 露光問題は以下のどちらかに分類される。 (i)カメラの露出が長すぎる露光が過度に露光され、画像領域が明るく洗い流されたり、 (ii)露光が短すぎ、暗黒領域が生じた。 露出不足と露出過剰は、画像のコントラストと視覚的魅力を大幅に低下させる。 先行研究は主に露出度の低い画像や一般的な画像エンハンスメントに焦点を当てている。 対照的に,提案手法は写真の過度な露出誤差と過度な露出誤差の両方を対象とする。 露光補正問題を2つの主問題として定式化する。 (i)色調の強化及び (ii)詳細強化。 そこで本研究では,各サブプロブレムを個別に扱うことで,エンドツーエンドでトレーニング可能な粗大なディープニューラルネットワーク(DNN)モデルを提案する。 我々のソリューションの重要な側面は、24,000以上の画像からなる新しいデータセットで、最も広い範囲の露光値と対応する適切な露光画像を示すことである。 提案手法は,未露出画像に対する既存の最先端手法と同等の結果を得るとともに,露出過誤による画像の大幅な改善を実現する。

関連論文リスト

• Region-Aware Exposure Consistency Network for Mixed Exposure Correction [26.30138794484646]
  本研究では,複合露光処理が可能な領域対応露光補正ネットワーク(RECNet)を提案する。 混合露光シナリオの局所的特徴を露光不変の特徴空間に効果的に変換する領域認識型露光モジュールを開発した。 本研究では,地域間露光連続性と地域間露光連続性の制約下での露光コントラスト正則化戦略を提案する。
  論文  参考訳（メタデータ） (2024-02-28T10:24:36Z)
• Learning Exposure Correction in Dynamic Scenes [24.302307771649232]
  我々は、露光不足と露光過多の両方を含む、世界初の実世界のペアビデオデータセットを構築した。 両ストリームモジュールは、露光不足と露光過多の両方に対処するように設計されている。
  論文  参考訳（メタデータ） (2024-02-27T08:19:51Z)
• Exposure Bracketing is All You Need for Unifying Image Restoration and Enhancement Tasks [50.822601495422916]
  本稿では,露光ブラケット写真を利用して画像復元と拡張作業を統合することを提案する。 実世界のペアの収集が困難であるため,まず合成ペアデータを用いてモデルを事前学習する手法を提案する。 特に,時間変調リカレントネットワーク(TMRNet)と自己教師あり適応手法を提案する。
  論文  参考訳（メタデータ） (2024-01-01T14:14:35Z)
• ExReg: Wide-range Photo Exposure Correction via a Multi-dimensional Regressor with Attention [6.142272540492936]
  光露光補正は広く研究されているが、露光画像と露光画像の同時修正に焦点を当てた研究は少ない。 多次元回帰プロセスとして露光補正を定式化して課題に対処する新しい露光補正ネットワークであるExRegを提案する。 実験により、ExRegはよく露呈した結果を生成し、PSNRの1.3dBでSOTA法を上回り、広範囲な露光問題に対処できることが示された。
  論文  参考訳（メタデータ） (2022-12-14T15:45:10Z)
• Self-Supervised Image Restoration with Blurry and Noisy Pairs [66.33313180767428]
  ISOの高い画像は、通常難聴のノイズを持つが、長時間露光画像は、カメラの揺れや物体の動きによってぼやけている。 既存のソリューションは一般に、ノイズとブラーのバランスを求め、フルビジョンまたはセルフスーパービジョンのどちらかの下でデノイングやデブロワーリングのモデルを学ぶことを提案している。 本稿では,短時間露光ノイズ画像と長時間露光ぼかし画像との併用による画像復元を提案する。
  論文  参考訳（メタデータ） (2022-11-14T12:57:41Z)
• CuDi: Curve Distillation for Efficient and Controllable Exposure Adjustment [86.97592472794724]
  そこで我々は, 対や不対のデータを必要とせず, 効率よくかつ制御可能な露光調整のためのCuDi曲線蒸留法を提案する。 提案手法は,ゼロ参照学習と曲線ベースのフレームワークを,実効的な低照度画像強調手法であるゼロDCEから継承する。 提案手法は, 高速で頑健でフレキシブルな性能に優れ, 実シーンにおける最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-07-28T17:53:46Z)
• Exposure Correction Model to Enhance Image Quality [70.7848787073901]
  露光誤りと過度な露光誤りの両方を扱うために,エンドツーエンドの露光補正モデルを提案する。 我々のモデルは、補正された画像を生成するために、画像エンコーダ、連続残差ブロック、画像デコーダを含む。 提案モデルを用いて露出補正を行った結果,ポートレートマッチングの品質は著しく向上した。
  論文  参考訳（メタデータ） (2022-04-22T11:38:52Z)
• Recurrent Exposure Generation for Low-Light Face Detection [113.25331155337759]
  本稿では,Recurrent Exposure Generation (REG) モジュールと Multi-Exposure Detection (MED) モジュールを提案する。 REGは、様々な露光設定に対応する段階的かつ効率的な中間画像を生成する。 このような擬似露光はMEDによって融合され、異なる照明条件で顔を検出する。
  論文  参考訳（メタデータ） (2020-07-21T17:30:51Z)
• Deep Exposure Fusion with Deghosting via Homography Estimation and Attention Learning [29.036754445277314]
  ゴースト加工品とカメラの動きや移動物体による細部損失に対処する深層核融合ネットワークを提案する。 携帯端末を用いた実世界の写真実験により,暗黒領域と明るい領域の鮮明な色調を忠実に再現し,高品質な画像を生成することができることを示した。
  論文  参考訳（メタデータ） (2020-04-20T07:00:14Z)

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。