論文の概要: End-to-End Differentiable Learning to HDR Image Synthesis for
Multi-exposure Images
- arxiv url: http://arxiv.org/abs/2006.15833v2
- Date: Fri, 18 Dec 2020 07:19:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 15:06:53.998402
- Title: End-to-End Differentiable Learning to HDR Image Synthesis for
Multi-exposure Images
- Title(参考訳): マルチ露光画像のためのHDR画像合成のためのエンドツーエンド微分学習
- Authors: Jung Hee Kim, Siyeong Lee, and Suk-Ju Kang
- Abstract要約: 与えられた単一露光からの多重露光スタックに基づく高ダイナミックレンジ()画像再構成は、ディープラーニングフレームワークを用いて高品質なHDR画像を生成する。
我々は, スタック再構成に基づく手法において, 完全に微分可能な高ダイナミックレンジイメージング(I)プロセスを用いた新しいフレームワークを提案する。
言い換えれば、我々の微分可能なHDR合成層は、深層ニューラルネットワークがHDRIプロセスにおけるマルチ露光画像間の正確な相関を反映しながら、マルチ露光スタックを作成する訓練を支援する。
- 参考スコア(独自算出の注目度): 23.895981099137533
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, high dynamic range (HDR) image reconstruction based on the multiple
exposure stack from a given single exposure utilizes a deep learning framework
to generate high-quality HDR images. These conventional networks focus on the
exposure transfer task to reconstruct the multi-exposure stack. Therefore, they
often fail to fuse the multi-exposure stack into a perceptually pleasant HDR
image as the inversion artifacts occur. We tackle the problem in stack
reconstruction-based methods by proposing a novel framework with a fully
differentiable high dynamic range imaging (HDRI) process. By explicitly using
the loss, which compares the network's output with the ground truth HDR image,
our framework enables a neural network that generates the multiple exposure
stack for HDRI to train stably. In other words, our differentiable HDR
synthesis layer helps the deep neural network to train to create multi-exposure
stacks while reflecting the precise correlations between multi-exposure images
in the HDRI process. In addition, our network uses the image decomposition and
the recursive process to facilitate the exposure transfer task and to
adaptively respond to recursion frequency. The experimental results show that
the proposed network outperforms the state-of-the-art quantitative and
qualitative results in terms of both the exposure transfer tasks and the whole
HDRI process.
- Abstract(参考訳): 近年,与えられた単一露光からの多重露光スタックに基づく高ダイナミックレンジ(HDR)画像再構成では,ディープラーニングフレームワークを用いて高品質なHDR画像を生成する。
これらのネットワークはマルチ露光スタックを再構築する露光伝達タスクに重点を置いている。
したがって、反転アーティファクトが発生すると、複数の露光スタックを知覚的に快適なhdrイメージに融合することができないことが多い。
本稿では, スタック再構築手法の問題点を, 完全に微分可能な高ダイナミックレンジイメージング(HDRI)プロセスを用いた新しいフレームワークを提案する。
ネットワークの出力と真実のHDR画像とを明示的に比較することで,HDRIの多重露光スタックを生成するニューラルネットワークを安定してトレーニングすることが可能となる。
言い換えれば、我々の微分可能なHDR合成層は、深層ニューラルネットワークがHDRIプロセスにおけるマルチ露光画像間の正確な相関を反映しながら、マルチ露光スタックを作成する訓練を支援する。
さらに,本ネットワークでは,画像分解と再帰処理を用いて,露出伝達作業を容易にし,再帰周波数に適応的に応答する。
実験の結果,提案したネットワークは,露光伝達タスクと全HDRIプロセスの両面で,最先端の定量的および定性的な結果よりも優れていた。
関連論文リスト
- HDRT: Infrared Capture for HDR Imaging [8.208995723545502]
本稿では,高ダイナミックレンジサーマル(HDRT, High Dynamic Range Thermal)という,別途利用可能な赤外線センサを用いたHDR取得手法を提案する。
本稿では、赤外線とSDRを組み合わせてHDR画像を生成する新しいディープニューラルネットワーク(HDRTNet)を提案する。
オーバー露光画像とアンダー露光画像の量的および定性的な品質向上を示すとともに,複数の異なる照明条件下での撮影に頑健であることを示す。
論文 参考訳(メタデータ) (2024-06-08T13:43:44Z) - Generating Content for HDR Deghosting from Frequency View [56.103761824603644]
近年の拡散モデル (DM) はHDRイメージング分野に導入されている。
DMは画像全体を推定するために大きなモデルで広範囲の反復を必要とする。
ゴーストフリーHDRイメージングのための低周波数対応拡散(LF-Diff)モデルを提案する。
論文 参考訳(メタデータ) (2024-04-01T01:32:11Z) - Self-Supervised High Dynamic Range Imaging with Multi-Exposure Images in
Dynamic Scenes [58.66427721308464]
Selfは、訓練中にダイナミックなマルチ露光画像のみを必要とする自己教師型再構成手法である。
Selfは最先端の自己管理手法に対して優れた結果を出し、教師付き手法に匹敵するパフォーマンスを実現している。
論文 参考訳(メタデータ) (2023-10-03T07:10:49Z) - SMAE: Few-shot Learning for HDR Deghosting with Saturation-Aware Masked
Autoencoders [97.64072440883392]
そこで本研究では,SSHDRと呼ばれる2段階の訓練を通した短距離HDRイメージングを実現するための,新しい半教師付きアプローチを提案する。
以前の方法とは異なり、コンテンツを直接回復し、ゴーストを同時に除去することは、最適に達成することが難しい。
実験により、SSHDRは異なるデータセットの内外における定量的かつ定性的に最先端の手法より優れていることが示された。
論文 参考訳(メタデータ) (2023-04-14T03:42:51Z) - GlowGAN: Unsupervised Learning of HDR Images from LDR Images in the Wild [74.52723408793648]
そこで本研究では,HDR画像の生成モデルを構築するための第1の手法について述べる。
鍵となる考え方は、GAN(Generative Adversarial Network)を訓練して、様々な露光下でLDRに投影された場合、実際のLDR画像と区別できないHDR画像を生成することである。
実験の結果,GlowGANはランドスケープ,雷,窓など多くの難題において,光現実的HDR画像を合成できることがわかった。
論文 参考訳(メタデータ) (2022-11-22T15:42:08Z) - Single-Image HDR Reconstruction by Multi-Exposure Generation [8.656080193351581]
本稿では,HDR再構成のための物理画像形成過程を逆転する弱教師付き学習手法を提案する。
我々のニューラルネットワークは、複数の露光を合成する前に画素照射を再構成するためにカメラ応答を反転させることができる。
実験の結果,提案手法はHDR画像の再構成を効果的に行うことができることがわかった。
論文 参考訳(メタデータ) (2022-10-28T05:12:56Z) - FlexHDR: Modelling Alignment and Exposure Uncertainties for Flexible HDR
Imaging [0.9185931275245008]
高品質なHDR結果を生成するためにアライメントと露出の不確かさをモデル化する新しいHDRイメージング技術を提案する。
本研究では,HDRを意識した不確実性を考慮したアライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・
実験結果から,本手法は最先端の高画質HDR画像を最大0.8dBPSNRで生成できることがわかった。
論文 参考訳(メタデータ) (2022-01-07T14:27:17Z) - A Two-stage Deep Network for High Dynamic Range Image Reconstruction [0.883717274344425]
本研究では,新しい2段階深層ネットワークを提案することにより,シングルショットLDRからHDRマッピングへの課題に取り組む。
提案手法は,カメラ応答機能(CRF)や露光設定など,ハードウェア情報を知ることなくHDR画像の再構築を図ることを目的とする。
論文 参考訳(メタデータ) (2021-04-19T15:19:17Z) - HDR-GAN: HDR Image Reconstruction from Multi-Exposed LDR Images with
Large Motions [62.44802076971331]
マルチ露光LDR画像からHDR画像を合成するための新しいGANモデルHDR-GANを提案する。
本手法は,敵対学習を取り入れることで,欠落したコンテンツのある領域に忠実な情報を生成することができる。
論文 参考訳(メタデータ) (2020-07-03T11:42:35Z) - Single-Image HDR Reconstruction by Learning to Reverse the Camera
Pipeline [100.5353614588565]
本稿では,LDR画像形成パイプラインの領域知識をモデルに組み込むことを提案する。
我々は,HDRto-LDR画像形成パイプラインを(1)ダイナミックレンジクリッピング,(2)カメラ応答関数からの非線形マッピング,(3)量子化としてモデル化する。
提案手法は,最先端の単一画像HDR再構成アルゴリズムに対して良好に動作することを示す。
論文 参考訳(メタデータ) (2020-04-02T17:59:04Z)
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。