論文の概要: Low-light Image Enhancement Using the Cell Vibration Model
- arxiv url: http://arxiv.org/abs/2006.02271v2
- Date: Sun, 15 May 2022 03:57:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 18:30:29.104091
- Title: Low-light Image Enhancement Using the Cell Vibration Model
- Title（参考訳）: セル振動モデルを用いた低照度画像強調
- Authors: Xiaozhou Lei, Zixiang Fei, Wenju Zhou, Huiyu Zhou and Minrui Fei
- Abstract要約: 低い光は、画像の品質を低下させ、視覚的なタスクの失敗を引き起こす可能性が非常に高い。
そこで本研究では,新しい低照度画像の輝度向上手法を提案する。
実験の結果,提案アルゴリズムは9つの最先端手法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）: 12.400040803969501
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Low light very likely leads to the degradation of an image's quality and even
causes visual task failures. Existing image enhancement technologies are prone
to overenhancement, color distortion or time consumption, and their
adaptability is fairly limited. Therefore, we propose a new single low-light
image lightness enhancement method. First, an energy model is presented based
on the analysis of membrane vibrations induced by photon stimulations. Then,
based on the unique mathematical properties of the energy model and combined
with the gamma correction model, a new global lightness enhancement model is
proposed. Furthermore, a special relationship between image lightness and gamma
intensity is found. Finally, a local fusion strategy, including segmentation,
filtering and fusion, is proposed to optimize the local details of the global
lightness enhancement images. Experimental results show that the proposed
algorithm is superior to nine state-of-the-art methods in avoiding color
distortion, restoring the textures of dark areas, reproducing natural colors
and reducing time cost. The image source and code will be released at
https://github.com/leixiaozhou/CDEFmethod.
- Abstract（参考訳）: 低い光は、画像の品質を低下させ、視覚的なタスクの失敗を引き起こします。
既存の画像強調技術は、オーバーエンハンスメント、色歪み、時間消費の傾向があり、適応性はかなり限られている。
そこで本研究では,新しい低照度画像輝度向上手法を提案する。
まず、光子刺激によって誘起される膜振動の解析に基づいて、エネルギーモデルを示す。
次に, エネルギーモデルのユニークな数学的性質とガンマ補正モデルとを組み合わせることで, 新たに大域的な光度向上モデルを提案する。
さらに、画像光度とガンマ強度の特殊関係が発見された。
最後に,グローバル光度強調画像の局所的詳細を最適化するために,セグメンテーション,フィルタリング,融合を含む局所的融合戦略を提案する。
実験結果から,提案アルゴリズムは,色歪みを回避し,暗い領域のテクスチャを復元し,自然色を再現し,時間的コストを低減し,9つの最先端手法よりも優れていることがわかった。
イメージソースとコードはhttps://github.com/leixiaozhou/cdefmethodでリリースされる。
関連論文リスト
- Dual High-Order Total Variation Model for Underwater Image Restoration [13.789310785350484]
水中画像の高画質化と復元(UIER)は,水中画像の画質向上のための重要な手段である。
拡張水中画像形成モデル(UIFM)に基づく効果的な変分フレームワークを提案する。
提案フレームワークでは,重み係数に基づく色補正とカラーバランスを組み合わせることで,減衰した色チャネルを補償し,色キャストを除去する。
論文 参考訳（メタデータ） (2024-07-20T13:06:37Z) - CodeEnhance: A Codebook-Driven Approach for Low-Light Image Enhancement [97.95330185793358]
低照度画像強調(LLIE)は、低照度画像を改善することを目的としている。
既存の手法では、様々な明るさ劣化からの回復の不確実性と、テクスチャと色情報の喪失という2つの課題に直面している。
我々は、量子化された先行値と画像の精細化を利用して、新しいエンハンスメント手法、CodeEnhanceを提案する。
論文 参考訳（メタデータ） (2024-04-08T07:34:39Z) - ITRE: Low-light Image Enhancement Based on Illumination Transmission
Ratio Estimation [10.26197196078661]
ノイズ、アーティファクト、過剰露光は、低照度画像強調の分野において重要な課題である。
モデルの起源からノイズやアーティファクトを抑圧するRetinexベースの新しい手法ITREを提案する。
広汎な実験により, 騒音抑制, アーティファクト防止, 露光量の同時制御におけるアプローチの有効性が示された。
論文 参考訳（メタデータ） (2023-10-08T13:22:20Z) - 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) - LLDiffusion: Learning Degradation Representations in Diffusion Models
for Low-Light Image Enhancement [118.83316133601319]
現在の低照度画像強調(LLIE)の深層学習法は、通常、ペア化されたデータから学んだピクセルワイドマッピングに依存している。
本稿では,拡散モデルを用いたLLIEの劣化認識学習手法を提案する。
論文 参考訳（メタデータ） (2023-07-27T07:22:51Z) - TensoIR: Tensorial Inverse Rendering [51.57268311847087]
テンソルIRはテンソル分解とニューラルフィールドに基づく新しい逆レンダリング手法である。
TensoRFは、放射場モデリングのための最先端のアプローチである。
論文 参考訳（メタデータ） (2023-04-24T21:39:13Z) - Semi-supervised atmospheric component learning in low-light image
problem [0.0]
環境照明条件は、写真装置から画像の知覚的品質を決定する上で重要な役割を担っている。
本研究では,低照度画像復元のための非参照画像品質指標を用いた半教師付きトレーニング手法を提案する。
論文 参考訳（メタデータ） (2022-04-15T17:06:33Z) - Degrade is Upgrade: Learning Degradation for Low-light Image Enhancement [52.49231695707198]
2段階の工程で細部と色を精錬しながら、内在的な劣化と低照度画像を照らし出す。
カラー画像の定式化に触発されて,まず低照度入力からの劣化を推定し,環境照明色の歪みをシミュレーションし,そのコンテンツを精錬して拡散照明色の損失を回復した。
LOL1000データセットではPSNRで0.95dB、ExDarkデータセットでは3.18%のmAPでSOTAを上回った。
論文 参考訳（メタデータ） (2021-03-19T04:00:27Z) - 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。