論文の概要: Visual Perception Model for Rapid and Adaptive Low-light Image
Enhancement
- arxiv url: http://arxiv.org/abs/2005.07343v1
- Date: Fri, 15 May 2020 03:47:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 23:26:53.643041
- Title: Visual Perception Model for Rapid and Adaptive Low-light Image
Enhancement
- Title（参考訳）: 高速かつ適応的な低光画像強調のための視覚知覚モデル
- Authors: Xiaoxiao Li, Xiaopeng Guo, Liye Mei, Mingyu Shang, Jie Gao, Maojing
Shu, and Xiang Wang
- Abstract要約: 低照度画像強調は、低照度環境における情報知覚のための人間の視覚システム(HVS)の感度が不十分な問題に対処するための有望な解決策である。
以前のRetinexベースの作品は、常に光強度を推定することによって強化タスクを達成している。
本稿では,視覚の正確な数学的記述を得るために,視覚知覚(VP)モデルを提案する。
- 参考スコア（独自算出の注目度）: 19.955016389978926
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Low-light image enhancement is a promising solution to tackle the problem of
insufficient sensitivity of human vision system (HVS) to perceive information
in low light environments. Previous Retinex-based works always accomplish
enhancement task by estimating light intensity. Unfortunately, single light
intensity modelling is hard to accurately simulate visual perception
information, leading to the problems of imbalanced visual photosensitivity and
weak adaptivity. To solve these problems, we explore the precise relationship
between light source and visual perception and then propose the visual
perception (VP) model to acquire a precise mathematical description of visual
perception. The core of VP model is to decompose the light source into light
intensity and light spatial distribution to describe the perception process of
HVS, offering refinement estimation of illumination and reflectance. To reduce
complexity of the estimation process, we introduce the rapid and adaptive
$\mathbf{\beta}$ and $\mathbf{\gamma}$ functions to build an illumination and
reflectance estimation scheme. Finally, we present a optimal determination
strategy, consisting of a \emph{cycle operation} and a \emph{comparator}.
Specifically, the \emph{comparator} is responsible for determining the optimal
enhancement results from multiple enhanced results through implementing the
\emph{cycle operation}. By coordinating the proposed VP model, illumination and
reflectance estimation scheme, and the optimal determination strategy, we
propose a rapid and adaptive framework for low-light image enhancement.
Extensive experiment results demenstrate that the proposed method achieves
better performance in terms of visual comparison, quantitative assessment, and
computational efficiency, compared with the currently state-of-the-arts.
- Abstract（参考訳）: 低照度画像強調は、低照度環境における情報知覚のための人間の視覚システム(HVS)の感度が不十分な問題に対処するための有望な解決策である。
以前のRetinexベースの作品は、常に光強度を推定することによって強化タスクを達成する。
残念なことに、単一光強度モデリングは視覚情報の正確なシミュレートが難しいため、不均衡な視覚光感度と弱い適応性の問題がある。
これらの問題を解決するために,光源と視覚知覚の正確な関係を探索し,視覚知覚(vp)モデルを提案し,視覚知覚の正確な数学的記述を得る。
VPモデルのコアは、光源を光強度と光空間分布に分解して、HVSの知覚過程を記述することであり、照明と反射率の洗練された推定を提供する。
推定プロセスの複雑さを軽減するために,照明と反射率推定スキームを構築するために,迅速かつ適応的な$\mathbf{\beta}$と$\mathbf{\gamma}$関数を導入する。
最後に, \emph{cycle operation} と \emph{comparator} からなる最適決定戦略を提案する。
特に、 \emph{comparator} は \emph{cycle operation} を実装して複数の強化結果から最適な拡張結果を決定する責任がある。
提案するvpモデル,照明・反射率推定手法,最適決定戦略の調整により,低光度画像強調のための迅速かつ適応的な枠組みを提案する。
広範な実験結果から,提案手法は現在の最新技術と比較して,視覚的比較,定量的評価,計算効率の面で優れた性能が得られることがわかった。
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) - Low-Light Image Enhancement with Illumination-Aware Gamma Correction and
Complete Image Modelling Network [69.96295927854042]
低照度環境は通常、情報の少ない大規模な暗黒地帯に繋がる。
本稿では,ガンマ補正の有効性を深層ネットワークのモデリング能力と統合することを提案する。
指数関数演算は高い計算複雑性をもたらすので、Taylor Series を用いてガンマ補正を近似することを提案する。
論文 参考訳（メタデータ） (2023-08-16T08:46:51Z) - Visibility Enhancement for Low-light Hazy Scenarios [18.605784907840473]
夕暮れや早朝には、低照度なシーンがよく現れる。
低照度ハジーシナリオの可視性を高める新しい手法を提案する。
このフレームワークは、異なるサブタスクからのヒントを完全に活用することで、入力画像の可視性を高めるように設計されている。
このシミュレーションは, 提案した低照度ハジーイメージングモデルを用いて, 地上構造でデータセットを生成するために設計されている。
論文 参考訳（メタデータ） (2023-08-01T15:07:38Z) - LUT-GCE: Lookup Table Global Curve Estimation for Fast Low-light Image
Enhancement [62.17015413594777]
LUT-GCEという低照度画像強調のための効果的かつ効率的な手法を提案する。
画像全体に対する大域的な曲線を推定し、被曝と過剰露光の両方の補正を可能にする。
我々のアプローチは、特に高精細画像(例えば1080pと4k)において、推論速度の観点から、技術の現状よりも優れています。
論文 参考訳（メタデータ） (2023-06-12T12:53:06Z) - 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) - Deep Quantigraphic Image Enhancement via Comparametric Equations [15.782217616496055]
本稿では,低照度画像と照明マップから拡張画像への変換を多様化する,新しいトレーニング可能なモジュールを提案する。
提案手法は,深部画像強調の柔軟性を向上し,計算負荷を照明推定に制限し,様々なタスクの多様な要求に適応可能な教師なし学習を可能にする。
論文 参考訳（メタデータ） (2023-04-05T08:14:41Z) - Self-Aligned Concave Curve: Illumination Enhancement for Unsupervised
Adaptation [36.050270650417325]
ハイレベルビジョンのための学習可能な照明強調モデルを提案する。
実際のカメラ応答関数にインスパイアされた照明強調関数は凹凸曲線であると仮定する。
我々のモデルアーキテクチャとトレーニングデザインは相互に恩恵を受け、強力な教師なし正規-低照度適応フレームワークを形成する。
論文 参考訳（メタデータ） (2022-10-07T19:32:55Z) - Sparse Needlets for Lighting Estimation with Spherical Transport Loss [89.52531416604774]
NeedleLightは、新しい照明推定モデルであり、必要に応じて照明を表現し、周波数領域と空間領域を共同で照明推定することができる。
大規模な実験により、NeedleLightは、最先端の手法と比較して、複数の評価指標で常に優れた照明推定を実現していることがわかった。
論文 参考訳（メタデータ） (2021-06-24T15:19:42Z) - GMLight: Lighting Estimation via Geometric Distribution Approximation [86.95367898017358]
本稿では,効率的な照明推定のための回帰ネットワークと生成プロジェクタを用いた照明推定フレームワークを提案する。
幾何学的な光の分布、光強度、周囲条件、および補助深さの点から照明シーンをパラメータ化し、純粋な回帰タスクとして推定します。
推定照明パラメータを用いて、生成プロジェクタはパノラマ照明マップを現実的な外観と周波数で合成する。
論文 参考訳（メタデータ） (2021-02-20T03:31:52Z) - 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)
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。