論文の概要: Attention-based network for low-light image enhancement

• arxiv url: http://arxiv.org/abs/2005.09829v2
• Date: Thu, 21 May 2020 01:55:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 05:57:01.607982
• Title: Attention-based network for low-light image enhancement
• Title（参考訳）: 低照度画像強調のための注意型ネットワーク
• Authors: Cheng Zhang, Qingsen Yan, Yu zhu, Xianjun Li, Jinqiu Sun, Yanning Zhang
• Abstract要約: 本稿では,センサデータから高品質で高画質な低照度画像を生成する新しいアテンションベースニューラルネットワークを提案する。 我々は、望ましくない色収差と雑音を抑制するために、注意戦略(チャネルアテンションと空間アテンションモジュール)を用いる。 実験では,色収差の抑制やノイズアーティファクトの強化の観点から,提案するネットワークの優位性を実証した。
• 参考スコア（独自算出の注目度）: 44.13717081876637
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The captured images under low light conditions often suffer insufficient brightness and notorious noise. Hence, low-light image enhancement is a key challenging task in computer vision. A variety of methods have been proposed for this task, but these methods often failed in an extreme low-light environment and amplified the underlying noise in the input image. To address such a difficult problem, this paper presents a novel attention-based neural network to generate high-quality enhanced low-light images from the raw sensor data. Specifically, we first employ attention strategy (i.e. channel attention and spatial attention modules) to suppress undesired chromatic aberration and noise. The channel attention module guides the network to refine redundant colour features. The spatial attention module focuses on denoising by taking advantage of the non-local correlation in the image. Furthermore, we propose a new pooling layer, called inverted shuffle layer, which adaptively selects useful information from previous features. Extensive experiments demonstrate the superiority of the proposed network in terms of suppressing the chromatic aberration and noise artifacts in enhancement, especially when the low-light image has severe noise.
• Abstract（参考訳）: 低い光条件下で撮影された画像は、しばしば明るさと悪名高いノイズに苦しむ。 したがって、低光度画像強調はコンピュータビジョンの重要な課題である。 このタスクには様々な手法が提案されているが、これらの手法は極端に低照度環境で失敗し、入力画像のノイズを増幅する。 そこで,本論文では,センサデータから高画質の低光度画像を生成するための注意型ニューラルネットワークを提案する。 具体的には,まず注意戦略(チャネル注意と空間注意モジュール)を用いて,望ましくない彩色収差と雑音を抑制する。 チャネルアテンションモジュールは、冗長な色特徴を洗練するためにネットワークをガイドする。 空間的注意モジュールは、画像内の非局所的相関を利用して雑音化に焦点を当てる。 さらに,従来の特徴から有用な情報を適応的に選択する,逆シャッフル層と呼ばれる新しいプーリング層を提案する。 広範にわたる実験は、特に低光度画像が激しいノイズを持つ場合において、強調における色収差やノイズアーティファクトの抑制の観点から、提案ネットワークの優位性を示す。

関連論文リスト

• 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)
• LDM-ISP: Enhancing Neural ISP for Low Light with Latent Diffusion Models [54.93010869546011]
  本稿では,事前学習した潜伏拡散モデルを用いて,超低照度画像の高精細化のためのニューラルISPを実現することを提案する。 具体的には、RAWドメイン上で動作するために事前訓練された潜在拡散モデルを調整するために、軽量なテーミングモジュールのセットをトレーニングする。 遅延拡散モデルにおけるUNet復調と復号化の異なる役割を観察し、低照度画像強調タスクを遅延空間低周波コンテンツ生成と復号位相高周波ディテール保守に分解するきっかけとなる。
  論文  参考訳（メタデータ） (2023-12-02T04:31:51Z)
• Instance Segmentation in the Dark [43.85818645776587]
  暗黒領域のインスタンスセグメンテーションを深く見て、低照度推論精度を大幅に向上させるテクニックをいくつか導入する。 本稿では,適応重み付きダウンサンプリング層,スムーズな指向性畳み込みブロック,外乱抑制学習に依存する新しい学習手法を提案する。 実世界の低照度インスタンスセグメンテーションデータセットを,2万組以上の低照度/通常照度画像と,インスタンスレベルのピクセル単位のアノテーションでキャプチャする。
  論文  参考訳（メタデータ） (2023-04-27T16:02:29Z)
• Seeing Through The Noisy Dark: Toward Real-world Low-Light Image Enhancement and Denoising [125.56062454927755]
  現実の低照度環境は通常、光やハードウェアの限界が不足しているため、視界が低く、騒音が重い。 我々は、RLED-Net(Real-world Low-light Enhancement & Denoising Network)と呼ばれる新しいエンドツーエンド手法を提案する。
  論文  参考訳（メタデータ） (2022-10-02T14:57:23Z)
• Adaptive Unfolding Total Variation Network for Low-Light Image Enhancement [6.531546527140475]
  sRGB空間における既存の拡張アルゴリズムのほとんどは、低可視性問題にのみ焦点をあてるか、仮説的雑音レベルの下でノイズを抑圧する。 本稿では,実際のsRGB低照度画像から雑音レベルを近似する適応展開全変動ネットワーク(UTVNet)を提案する。 実世界の低照度画像に対する実験は、最先端の手法よりもUTVNetの優れた性能を明らかに示している。
  論文  参考訳（メタデータ） (2021-10-03T11:22:17Z)
• Contextual colorization and denoising for low-light ultra high resolution sequences [0.0]
  低光度画像のシーケンスは、通常、非一貫性のノイズ、フリック、オブジェクトや動くオブジェクトのぼやけに苦しむ。 我々はこれらの問題に,同時着色と着色を同時に行う未経験学習手法で対処する。 提案手法は,主観的品質の観点から既存手法よりも優れており,輝度レベルや雑音の変動に頑健であることを示す。
  論文  参考訳（メタデータ） (2021-01-05T15:35:29Z)
• 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。