論文の概要: ALCN: Adaptive Local Contrast Normalization

• arxiv url: http://arxiv.org/abs/2004.07945v1
• Date: Wed, 15 Apr 2020 13:40:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 03:48:06.889132
• Title: ALCN: Adaptive Local Contrast Normalization
• Title（参考訳）: ALCN: 適応型局所コントラスト正規化
• Authors: Mahdi Rad, Peter M. Roth, Vincent Lepetit
• Abstract要約: そこで本研究では,難解な照明条件において,様々な問題に容易に対応できる新しい照明正規化手法を提案する。 我々は,本手法が標準正規化法を著しく上回り,新しいアプリケーションごとに再学習する必要がなくなるため,普遍的であることも示している。
• 参考スコア（独自算出の注目度）: 31.703987699518102
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To make Robotics and Augmented Reality applications robust to illumination changes, the current trend is to train a Deep Network with training images captured under many different lighting conditions. Unfortunately, creating such a training set is a very unwieldy and complex task. We therefore propose a novel illumination normalization method that can easily be used for different problems with challenging illumination conditions. Our preliminary experiments show that among current normalization methods, the Difference-of Gaussians method remains a very good baseline, and we introduce a novel illumination normalization model that generalizes it. Our key insight is then that the normalization parameters should depend on the input image, and we aim to train a Convolutional Neural Network to predict these parameters from the input image. This, however, cannot be done in a supervised manner, as the optimal parameters are not known a priori. We thus designed a method to train this network jointly with another network that aims to recognize objects under different illuminations: The latter network performs well when the former network predicts good values for the normalization parameters. We show that our method significantly outperforms standard normalization methods and would also be appear to be universal since it does not have to be re-trained for each new application. Our method improves the robustness to light changes of state-of-the-art 3D object detection and face recognition methods.
• Abstract（参考訳）: ロボティクスと拡張現実のアプリケーションを照明の変化に頑健にするために、最近のトレンドは、さまざまな照明条件下で撮影されたトレーニングイメージでディープネットワークを訓練することだ。 残念ながら、このようなトレーニングセットを作成するのは、非常に面倒で複雑な作業です。 そこで本稿では,異なる照明条件の異なる問題に対して容易に使用できる新しい照明正規化法を提案する。 予備実験により,現在の正規化法のうち,ガウス法の差分法は非常に良いベースラインであり,これを一般化した新しい照明正規化モデルを提案する。 その上で, 正規化パラメータは入力画像に依存するべきであり, 畳み込みニューラルネットワークを訓練し, 入力画像からこれらのパラメータを予測することを目指す。 しかし、最適パラメータは事前パラメータを知らないため、教師付き方法では実行できない。 そこで我々は,このネットワークを,異なる照度の下で物体を識別することを目的とした他のネットワークと協調してトレーニングする手法を考案した。 我々は,本手法が標準正規化法を大幅に上回ることを示すとともに,新しいアプリケーション毎に再学習する必要がなくなるため,普遍的であることを示す。 本手法は,最先端の3Dオブジェクト検出および顔認識手法の光度変化に対するロバスト性を向上させる。

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)
• Generalized Lightness Adaptation with Channel Selective Normalization [62.71259777447607]
  光の適応は、予期せぬ視覚劣化を避けるために画像処理の成功に不可欠である。 既存の手法は、訓練された光度条件ではうまく機能するが、その限定的な一般化能力のため、未知の手法ではうまく機能しない。 チャネルフィルタ設計により従来の正規化手法を拡張した,新しい一般化光度適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-08-26T06:35:32Z)
• Low-light Image Enhancement by Retinex Based Algorithm Unrolling and Adjustment [50.13230641857892]
  本稿では,低照度画像強調(LIE)問題に対する新たなディープラーニングフレームワークを提案する。 提案フレームワークは,大域的明るさと局所的明るさ感度の両方を考慮したアルゴリズムアンロールと調整ネットワークに着想を得た分解ネットワークを含む。 一連の典型的なLIEデータセットの実験では,既存の手法と比較して,定量的かつ視覚的に,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-02-12T03:59:38Z)
• Physically Inspired Dense Fusion Networks for Relighting [45.66699760138863]
  物理的洞察でニューラルネットワークを豊かにするモデルを提案する。 2つの異なる戦略により、新しい照明設定でリライト画像を生成します。 提案手法は,よく知られた忠実度指標と知覚的損失の点で,最先端手法を上回ることができることを示す。
  論文  参考訳（メタデータ） (2021-05-05T17:33:45Z)
• Riggable 3D Face Reconstruction via In-Network Optimization [58.016067611038046]
  本稿では,単眼画像からの3次元顔再構成法を提案する。 表情、ポーズ、照明を含む画像ごとのパーソナライズされた顔リグとパラメータを共同で推定する。 実験により,SOTA復元精度,ロバスト性,一般化能力が得られた。
  論文  参考訳（メタデータ） (2021-04-08T03:53:20Z)
• Sparsity Aware Normalization for GANs [32.76828505875087]
  GAN(Generative adversarial Network)は、トレーニング中の批判的(差別的)ネットワークの正規化または正規化の恩恵を受けることが知られている。 本稿では,一般のスペクトル正規化スキームを分析し,有意な欠点を見つけ,GANトレーニングの安定化のための新たなアプローチであるスパーシャリティ認識正規化(SAN)を導入する。
  論文  参考訳（メタデータ） (2021-03-03T15:05:18Z)
• Uncalibrated Neural Inverse Rendering for Photometric Stereo of General Surfaces [103.08512487830669]
  本稿では,測光ステレオ問題に対する無補間深層ニューラルネットワークフレームワークを提案する。 既存のニューラルネットワークベースの方法は、物体の正確な光方向または接地正則のいずれかまたは両方を必要とします。 本稿では,この問題に対する未調整の神経逆レンダリング手法を提案する。
  論文  参考訳（メタデータ） (2020-12-12T10:33:08Z)
• Deep Photometric Stereo for Non-Lambertian Surfaces [89.05501463107673]
  我々は、PS-FCNと呼ばれる、校正された測光ステレオのための完全な畳み込みディープネットワークを導入する。 PS-FCNは反射率観測から表面正規へのマッピングを学習し、一般的な等方反射率と未知の等方反射率で表面を処理できる。 光方向が不明な未定のシナリオに対処するため、入力画像から光方向を推定するLCNetという新しい畳み込みネットワークを導入する。
  論文  参考訳（メタデータ） (2020-07-26T15:20:53Z)

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。