論文の概要: Low-light Image Restoration with Short- and Long-exposure Raw Pairs

• arxiv url: http://arxiv.org/abs/2007.00199v2
• Date: Sun, 28 Feb 2021 07:42:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 23:38:50.572216
• Title: Low-light Image Restoration with Short- and Long-exposure Raw Pairs
• Title（参考訳）: 短光・長時間露光による低照度画像復元
• Authors: Meng Chang, Huajun Feng, Zhihai Xu, Qi Li
• Abstract要約: 短時間・長時間露光画像の相補的情報を用いた新しい低照度画像復元手法を提案する。 まず,現実的な短時間・長時間露光生画像の合成のための新しいデータ生成手法を提案する。 そこで我々は,低照度画像融合の問題に対処するため,LSFNet(Long-Short-Exposure fusion Network)を新たに設計した。
• 参考スコア（独自算出の注目度）: 14.643663950015334
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-light imaging with handheld mobile devices is a challenging issue. Limited by the existing models and training data, most existing methods cannot be effectively applied in real scenarios. In this paper, we propose a new low-light image restoration method by using the complementary information of short- and long-exposure images. We first propose a novel data generation method to synthesize realistic short- and longexposure raw images by simulating the imaging pipeline in lowlight environment. Then, we design a new long-short-exposure fusion network (LSFNet) to deal with the problems of low-light image fusion, including high noise, motion blur, color distortion and misalignment. The proposed LSFNet takes pairs of shortand long-exposure raw images as input, and outputs a clear RGB image. Using our data generation method and the proposed LSFNet, we can recover the details and color of the original scene, and improve the low-light image quality effectively. Experiments demonstrate that our method can outperform the state-of-the art methods.
• Abstract（参考訳）: 携帯型モバイルデバイスによる低照度撮影は難しい課題である。 既存のモデルとトレーニングデータによって制限されているため、既存のメソッドは実際のシナリオで効果的に適用できない。 本稿では,短露光画像と長露光画像の補完情報を用いて,新しい低照度画像復元手法を提案する。 まず,低光環境下での撮像パイプラインをシミュレートし,実写的な短時間・長時間露光生画像を合成する新しいデータ生成法を提案する。 そこで我々は,低光度画像融合の課題である高ノイズ,動きのぼかし,色歪み,ずれなどに対処するために,新しい長短露光融合ネットワーク (lsfnet) を設計した。 提案したLSFNetは、短い露光と長時間露光の生画像のペアを入力として取り、明確なRGB画像を出力する。 このデータ生成手法とLSFNetを用いて、元のシーンの詳細と色を復元し、低照度画像の品質を効果的に向上させることができる。 実験により,本手法が最先端の手法に勝ることを実証した。

関連論文リスト

• Improving Lens Flare Removal with General Purpose Pipeline and Multiple Light Sources Recovery [69.71080926778413]
  フレアアーティファクトは、画像の視覚的品質と下流のコンピュータビジョンタスクに影響を与える。 現在の方法では、画像信号処理パイプラインにおける自動露光やトーンマッピングは考慮されていない。 本稿では、ISPを再検討し、より信頼性の高い光源回収戦略を設計することで、レンズフレア除去性能を向上させるソリューションを提案する。
  論文  参考訳（メタデータ） (2023-08-31T04:58:17Z)
• Lighting up NeRF via Unsupervised Decomposition and Enhancement [40.89359754872889]
  そこで我々は,Low-Light NeRF(LLNeRF)と呼ばれる新しい手法を提案し,シーン表現を強化し,sRGB低照度画像から直接ノーマルライトノベルビューを合成する。 低照度シーンからの低ダイナミックレンジ(8ビット/チャネル)画像の集合を考慮し、適切な照明と鮮明な色と細部を持つ新しいビュー画像を作成することができる。
  論文  参考訳（メタデータ） (2023-07-20T07:46:34Z)
• Enhancing Low-Light Images Using Infrared-Encoded Images [81.8710581927427]
  従来の芸術は、主にピクセルワイド・ロスを用いて可視光スペクトルで捉えた低照度画像に焦点を当てていた。 我々は,赤外線カットオフフィルタを除去することにより,低照度環境下で撮影された画像の可視性を高める新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-07-09T08:29:19Z)
• Diffusion in the Dark: A Diffusion Model for Low-Light Text Recognition [78.50328335703914]
  ディフュージョン・イン・ザ・ダーク (Diffusion in the Dark, DiD) は、テキスト認識のための低照度画像再構成のための拡散モデルである。 実画像上での低照度テキスト認識において,Digital DiDがSOTAの低照度手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-07T23:52:51Z)
• 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)
• 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)
• 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)
• 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)
• Burst Denoising of Dark Images [19.85860245798819]
  超暗い生画像からクリーンでカラフルなRGB画像を得るためのディープラーニングフレームワークを提案する。 我々のフレームワークのバックボーンは、プログレッシブな方法で高品質な出力を生成する新しい粗いネットワークアーキテクチャである。 実験により,提案手法は最先端の手法よりも知覚的により満足な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-03-17T17:17:36Z)

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。