論文の概要: Learning an Adaptive Model for Extreme Low-light Raw Image Processing
- arxiv url: http://arxiv.org/abs/2004.10447v1
- Date: Wed, 22 Apr 2020 09:01:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-10 18:42:25.107069
- Title: Learning an Adaptive Model for Extreme Low-light Raw Image Processing
- Title（参考訳）: 極低照度生画像処理のための適応モデル学習
- Authors: Qingxu Fu, Xiaoguang Di, and Yu Zhang
- Abstract要約: 画質向上のための適応型低照度生画像強調ネットワークを提案する。
提案手法は、最先端の低照度アルゴリズムと比較してノイズレベル推定(NLE)のスコアが低い。
ビデオ処理における潜在的な応用について概説する。
- 参考スコア（独自算出の注目度）: 5.706764509663774
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Low-light images suffer from severe noise and low illumination. Current deep
learning models that are trained with real-world images have excellent noise
reduction, but a ratio parameter must be chosen manually to complete the
enhancement pipeline. In this work, we propose an adaptive low-light raw image
enhancement network to avoid parameter-handcrafting and to improve image
quality. The proposed method can be divided into two sub-models: Brightness
Prediction (BP) and Exposure Shifting (ES). The former is designed to control
the brightness of the resulting image by estimating a guideline exposure time
$t_1$. The latter learns to approximate an exposure-shifting operator $ES$,
converting a low-light image with real exposure time $t_0$ to a noise-free
image with guideline exposure time $t_1$. Additionally, structural similarity
(SSIM) loss and Image Enhancement Vector (IEV) are introduced to promote image
quality, and a new Campus Image Dataset (CID) is proposed to overcome the
limitations of the existing datasets and to supervise the training of the
proposed model. Using the proposed model, we can achieve high-quality low-light
image enhancement from a single raw image. In quantitative tests, it is shown
that the proposed method has the lowest Noise Level Estimation (NLE) score
compared with the state-of-the-art low-light algorithms, suggesting a superior
denoising performance. Furthermore, those tests illustrate that the proposed
method is able to adaptively control the global image brightness according to
the content of the image scene. Lastly, the potential application in video
processing is briefly discussed.
- Abstract（参考訳）: 低照度画像は厳しいノイズと低い照明に悩まされる。
実世界の画像で訓練された現在のディープラーニングモデルは、ノイズ低減に優れていますが、拡張パイプラインを完成させるためには、手動で比パラメータを選択する必要があります。
本研究では,パラメータハンドクラフトの回避と画質向上を目的とした適応型低照度生画像強調ネットワークを提案する。
提案手法は,輝度予測 (bp) と露出シフト (es) の2つのサブモデルに分類できる。
前者は、ガイドライン露光時間$t_1$を推定することにより、得られた画像の輝度を制御するように設計されている。
後者は、露光シフト演算子 $es$ を近似し、ローライト画像を実際の露光時間 $t_0$ から、ガイドライン露光時間 $t_1$ のノイズフリー画像に変換する。
さらに、画像品質向上のために構造類似性(SSIM)損失と画像強調ベクトル(IEV)を導入し、既存のデータセットの限界を克服し、提案モデルのトレーニングを監督するために、新しいキャンパスイメージデータセット(CID)を提案する。
提案モデルを用いて,1つの原画像から高品質な低照度画像強調を実現する。
定量的評価では,提案手法は最先端の低照度アルゴリズムと比較してノイズレベル推定(NLE)のスコアが低いことが示され,性能が優れていた。
さらに,提案手法は画像シーンの内容に応じて,グローバルな画像の明るさを適応的に制御できることを示す。
最後に,映像処理における潜在的な応用について概説する。
関連論文リスト
- Unsupervised Low-light Image Enhancement with Lookup Tables and Diffusion Priors [38.96909959677438]
低照度画像強調(LIE)は、低照度環境において劣化した画像を高精度かつ効率的に回収することを目的としている。
近年の先進的なLIE技術は、多くの低正規の光画像対、ネットワークパラメータ、計算資源を必要とするディープニューラルネットワークを使用している。
拡散先行とルックアップテーブルに基づく新しい非教師付きLIEフレームワークを考案し,低照度画像の効率的な回復を実現する。
論文 参考訳（メタデータ） (2024-09-27T16:37:27Z) - Unsupervised Low Light Image Enhancement Using SNR-Aware Swin
Transformer [0.0]
低照度画像強調は、明るさとコントラストを改善し、視覚的品質を損なうノイズを減らすことを目的としている。
本稿では,Swin Transformerをベースとしたデュアルブランチネットワークを提案する。
論文 参考訳（メタデータ） (2023-06-03T11:07:56Z) - Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。
これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。
まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。
次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
論文 参考訳（メタデータ） (2023-05-17T13:56:48Z) - Diffusion in the Dark: A Diffusion Model for Low-Light Text Recognition [78.50328335703914]
ディフュージョン・イン・ザ・ダーク (Diffusion in the Dark, DiD) は、テキスト認識のための低照度画像再構成のための拡散モデルである。
実画像上での低照度テキスト認識において,Digital DiDがSOTAの低照度手法より優れていることを示す。
論文 参考訳（メタデータ） (2023-03-07T23:52:51Z) - KinD-LCE Curve Estimation And Retinex Fusion On Low-Light Image [7.280719886684936]
本稿では,低照度化のためのアルゴリズムを提案する。
KinD-LCEは、Retinex分解画像の照明マップを強化するために光曲線推定モジュールを使用する。
照明マップと反射マップ融合モジュールも提案され、画像の詳細を復元し、詳細損失を低減した。
論文 参考訳（メタデータ） (2022-07-19T11:49:21Z) - 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) - 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 Bilateral Retinex for Low-Light Image Enhancement [96.15991198417552]
低照度画像は、低コントラスト、色歪み、測定ノイズによる視界の低下に悩まされる。
本稿では,低照度画像強調のための深層学習手法を提案する。
提案手法は最先端の手法と非常に競合し, 極めて低照度で撮影した画像の処理において, 他に比べて大きな優位性を有する。
論文 参考訳（メタデータ） (2020-07-04T06:26:44Z) - Unsupervised Low-light Image Enhancement with Decoupled Networks [103.74355338972123]
我々は、実世界の低照度画像を教師なしで拡張する2段階のGANベースのフレームワークを学習する。
提案手法は,照度向上と雑音低減の両面から,最先端の教師なし画像強調法より優れる。
論文 参考訳（メタデータ） (2020-05-06T13:37:08Z)
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。