論文の概要: Illumination-Invariant Image from 4-Channel Images: The Effect of
Near-Infrared Data in Shadow Removal
- arxiv url: http://arxiv.org/abs/2005.01878v1
- Date: Mon, 4 May 2020 22:51:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 01:33:04.679041
- Title: Illumination-Invariant Image from 4-Channel Images: The Effect of
Near-Infrared Data in Shadow Removal
- Title（参考訳）: 4チャンネル画像からの照明不変画像:近赤外データによる影除去効果
- Authors: Sorour Mohajerani, Mark S. Drew, Parvaneh Saeedi
- Abstract要約: 我々は赤、緑、青、近赤外(RGBN)データから生成された照明不変画像の品質について検討した。
その結果,RGBNデータから得られた照明不変画像は,RGB単独で得られた画像よりも優れていることがわかった。
- 参考スコア（独自算出の注目度）: 10.227026799075217
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Removing the effect of illumination variation in images has been proved to be
beneficial in many computer vision applications such as object recognition and
semantic segmentation. Although generating illumination-invariant images has
been studied in the literature before, it has not been investigated on real
4-channel (4D) data. In this study, we examine the quality of
illumination-invariant images generated from red, green, blue, and
near-infrared (RGBN) data. Our experiments show that the near-infrared channel
substantively contributes toward removing illumination. As shown in our
numerical and visual results, the illumination-invariant image obtained by RGBN
data is superior compared to that obtained by RGB alone.
- Abstract（参考訳）: 画像の照明変化の影響を取り除くことは、オブジェクト認識やセマンティクスセグメンテーションといった多くのコンピュータビジョンアプリケーションで有用であることが証明されている。
従来,照明不変画像の生成は文献で研究されてきたが,実際の4チャンネル(4D)データでは研究されていない。
本研究では,赤,緑,青,近赤外(rgbn)データから生成される照明不変画像の品質について検討する。
実験の結果,近赤外チャネルは照明の除去に不可欠であることが判明した。
その結果,RGBNデータから得られた照明不変画像は,RGB単独で得られた画像よりも優れていることがわかった。
関連論文リスト
- ThermalNeRF: Thermal Radiance Fields [32.881758519242155]
LWIRとRGB画像の集合からシーン再構築のための統一的なフレームワークを提案する。
我々は、前処理のステップとして、RGBと赤外線カメラを互いに調整する。
提案手法は,RGBや熱チャネルに隠された物体を視覚的に除去すると共に,超高分解能な熱分解能を有することを示す。
論文 参考訳（メタデータ） (2024-07-22T02:51:29Z) - Beyond Night Visibility: Adaptive Multi-Scale Fusion of Infrared and
Visible Images [49.75771095302775]
赤外線および可視画像を用いた適応型マルチスケール核融合ネットワーク(AMFusion)を提案する。
まず、赤外画像と可視画像から空間的特徴と意味的特徴を分離し、前者が光分布の調整に使用される。
第2に,事前学習したバックボーンから抽出した検出機能を利用して,意味的特徴の融合を誘導する。
第3に、通常の光強度で融合画像を制約する新しい照明損失を提案する。
論文 参考訳（メタデータ） (2024-03-02T03:52:07Z) - You Only Need One Color Space: An Efficient Network for Low-light Image Enhancement [50.37253008333166]
低照度画像強調(LLIE)タスクは、劣化した低照度画像から詳細と視覚情報を復元する傾向がある。
水平/垂直インテンシティ(HVI)と呼ばれる新しいトレーニング可能なカラー空間を提案する。
輝度と色をRGBチャネルから切り離して、拡張中の不安定性を緩和するだけでなく、トレーニング可能なパラメータによって異なる照明範囲の低照度画像にも適応する。
論文 参考訳（メタデータ） (2024-02-08T16:47:43Z) - Color Recognition in Challenging Lighting Environments: CNN Approach [0.0]
研究者は、コンピュータビジョンの応用のための色検出技術を強化するために取り組んでいる。
この問題に対処するために,畳み込みニューラルネットワーク(CNN)に基づく色検出手法を提案する。
本手法は照明条件の異なる色検出の堅牢性を大幅に向上させることができることを実験的に検証した。
論文 参考訳（メタデータ） (2024-02-07T11:26:00Z) - Enhancing Low-Light Images Using Infrared-Encoded Images [81.8710581927427]
従来の芸術は、主にピクセルワイド・ロスを用いて可視光スペクトルで捉えた低照度画像に焦点を当てていた。
我々は,赤外線カットオフフィルタを除去することにより,低照度環境下で撮影された画像の可視性を高める新しい手法を提案する。
論文 参考訳（メタデータ） (2023-07-09T08:29:19Z) - NeFII: Inverse Rendering for Reflectance Decomposition with Near-Field
Indirect Illumination [48.42173911185454]
逆レンダリング手法は、多視点RGB画像から幾何学、材料、照明を推定することを目的としている。
本稿では,多視点画像から材料と照明を分解するエンドツーエンドの逆レンダリングパイプラインを提案する。
論文 参考訳（メタデータ） (2023-03-29T12:05:19Z) - Near-Infrared Depth-Independent Image Dehazing using Haar Wavelets [13.561695463316031]
本稿では,RGB画像から色情報と対応するNIR画像から抽出したエッジ情報をハールウェーブレットを用いて組み合わせたヘイズ除去のための融合アルゴリズムを提案する。
提案アルゴリズムは,同じ領域のRGBエッジ特徴よりも,画像のヘイズ領域においてNIRエッジ特徴が顕著であることを示す。
論文 参考訳（メタデータ） (2022-03-26T14:07:31Z) - Tuning IR-cut Filter for Illumination-aware Spectral Reconstruction from
RGB [84.1657998542458]
再現精度は、使用中のRGBカメラのスペクトル応答に大きく依存していることが証明されている。
本稿では,既存のrgbカメラのフィルタアレイに基づくカラーイメージング機構を調査し,irカットフィルタの設計方法を提案する。
論文 参考訳（メタデータ） (2021-03-26T19:42:21Z) - The Cube++ Illumination Estimation Dataset [50.58610459038332]
本稿では,新しい照明推定データセットを提案する。
照明色が既知の4890の画像と、追加のセマンティックデータで構成されている。
データセットは、単一または2つの照度推定を実行するメソッドのトレーニングとテストに使用することができる。
論文 参考訳（メタデータ） (2020-11-19T18:50:08Z)
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。