論文の概要: Unsupervised Low-light Image Enhancement with Decoupled Networks

• arxiv url: http://arxiv.org/abs/2005.02818v2
• Date: Mon, 28 Mar 2022 05:41:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 06:07:46.236745
• Title: Unsupervised Low-light Image Enhancement with Decoupled Networks
• Title（参考訳）: デカップリングネットワークを用いた教師なし低光度画像強調
• Authors: Wei Xiong, Ding Liu, Xiaohui Shen, Chen Fang, Jiebo Luo
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 103.74355338972123
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we tackle the problem of enhancing real-world low-light images with significant noise in an unsupervised fashion. Conventional unsupervised learning-based approaches usually tackle the low-light image enhancement problem using an image-to-image translation model. They focus primarily on illumination or contrast enhancement but fail to suppress the noise that ubiquitously exists in images taken under real-world low-light conditions. To address this issue, we explicitly decouple this task into two sub-tasks: illumination enhancement and noise suppression. We propose to learn a two-stage GAN-based framework to enhance the real-world low-light images in a fully unsupervised fashion. To facilitate the unsupervised training of our model, we construct samples with pseudo labels. Furthermore, we propose an adaptive content loss to suppress real image noise in different regions based on illumination intensity. In addition to conventional benchmark datasets, a new unpaired low-light image enhancement dataset is built and used to thoroughly evaluate the performance of our model. Extensive experiments show that our proposed method outperforms the state-of-the-art unsupervised image enhancement methods in terms of both illumination enhancement and noise reduction.
• Abstract（参考訳）: 本稿では,実世界の低光度画像の高ノイズ化を教師なし方式で解決する。 従来の教師なし学習に基づくアプローチは通常、画像間翻訳モデルを用いて低照度画像強調問題に取り組む。 主に照明やコントラストの強化に重点を置いているが、現実の低照度条件下で撮影された画像に広く見られるノイズを抑えることができない。 この問題に対処するため、このタスクを照明の強化とノイズ抑制という2つのサブタスクに明示的に分離します。 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ことを提案する。 モデルの教師なし学習を容易にするため,擬似ラベルを用いたサンプルを構築した。 さらに,照明強度に基づいて異なる領域における実画像ノイズを抑制する適応的コンテンツ損失を提案する。 従来のベンチマークデータセットに加えて、新しいアンペアの低照度画像強調データセットを構築し、モデルの性能を徹底的に評価する。 広汎な実験により,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も優れていた。

関連論文リスト

• Cycle-Interactive Generative Adversarial Network for Robust Unsupervised Low-Light Enhancement [109.335317310485]
  CIGAN(Cycle-Interactive Generative Adversarial Network)は、低照度画像間の照明分布の転送を改善できるだけでなく、詳細な信号も操作できる。 特に、提案した低照度誘導変換は、低照度GAN生成器から劣化GAN生成器へ、低照度画像の特徴をフォワードする。
  論文  参考訳（メタデータ） (2022-07-03T06:37:46Z)
• 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)
• Invertible Network for Unpaired Low-light Image Enhancement [78.33382003460903]
  本稿では,非可逆的ネットワークを活用して,前処理における低照度画像の強化と,非対向学習により逆向きに通常の照度画像の劣化を図ることを提案する。 対向的損失に加えて、トレーニングの安定性を確保し、より詳細な画像を保存するために、様々な損失関数を設計する。 低照度画像に対するプログレッシブ自己誘導強調処理を提案し,SOTAに対して良好な性能を示す。
  論文  参考訳（メタデータ） (2021-12-24T17:00:54Z)
• Unsupervised Low-Light Image Enhancement via Histogram Equalization Prior [40.61944814314655]
  HEP (Equalization prior) と呼ばれる実効的事前ヒストグラムに基づく教師なし低照度画像強調手法を提案する。 反射率マップのノイズと内容を、未確認クリーンな画像の信頼性のある助けを借りてアンタングルするノイズ・ディアンタングメント・モジュール(NDM)を導入する。 本手法は、最先端の教師なし低照度化アルゴリズムに対して好適に動作し、最先端の教師付きアルゴリズムに適合する。
  論文  参考訳（メタデータ） (2021-12-03T07:51:08Z)
• CERL: A Unified Optimization Framework for Light Enhancement with Realistic Noise [81.47026986488638]
  現実世界で撮影された低照度画像は、センサーノイズによって必然的に破損する。 既存の光強調法は、拡張中の現実世界のノイズの重要な影響を見落としているか、ノイズ除去を別の前処理または後処理のステップとして扱うかのどちらかである。 実世界の低照度雑音画像(CERL)のコーディネート・エンハンスメントを行い,光強調部と雑音抑制部を一体化・物理接地したフレームワークにシームレスに統合する。
  論文  参考訳（メタデータ） (2021-08-01T15:31:15Z)
• Progressive Joint Low-light Enhancement and Noise Removal for Raw Images [10.778200442212334]
  モバイル機器の低照度撮像は、比較的小さな開口部を通過する入射光が不足しているため、通常困難である。 そこで我々は,共同照明調整,色強調,遮音を行う低照度画像処理フレームワークを提案する。 我々のフレームワークは、他のカメラモデルに適応する際に、大量のデータを再構成する必要はない。
  論文  参考訳（メタデータ） (2021-06-28T16:43:52Z)
• A Two-stage Unsupervised Approach for Low light Image Enhancement [18.365345507072234]
  本稿では,低光像強調を前処理と後処理の問題に分解する2段階の教師なし手法を提案する。 提案手法は,低照度条件下で特徴点マッチングと同時局所化とマッピングを大幅に改善することができる。
  論文  参考訳（メタデータ） (2020-10-19T08:51:32Z)
• 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)
• Learning an Adaptive Model for Extreme Low-light Raw Image Processing [5.706764509663774]
  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。
  論文  参考訳（メタデータ） (2020-04-22T09:01:07Z)

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。