論文の概要: HDR-GAN: HDR Image Reconstruction from Multi-Exposed LDR Images with Large Motions

• arxiv url: http://arxiv.org/abs/2007.01628v1
• Date: Fri, 3 Jul 2020 11:42:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 06:04:30.956762
• Title: HDR-GAN: HDR Image Reconstruction from Multi-Exposed LDR Images with Large Motions
• Title（参考訳）: HDR-GAN:大きな動きを持つ多露光LDR画像からのHDR画像再構成
• Authors: Yuzhen Niu, Jianbin Wu, Wenxi Liu, Wenzhong Guo, Rynson W.H. Lau
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 62.44802076971331
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthesizing high dynamic range (HDR) images from multiple low-dynamic range (LDR) exposures in dynamic scenes is challenging. There are two major problems caused by the large motions of foreground objects. One is the severe misalignment among the LDR images. The other is the missing content due to the over-/under-saturated regions caused by the moving objects, which may not be easily compensated for by the multiple LDR exposures. Thus, it requires the HDR generation model to be able to properly fuse the LDR images and restore the missing details without introducing artifacts. To address these two problems, we propose in this paper a novel GAN-based model, HDR-GAN, for synthesizing HDR images from multi-exposed LDR images. To our best knowledge, this work is the first GAN-based approach for fusing multi-exposed LDR images for HDR reconstruction. By incorporating adversarial learning, our method is able to produce faithful information in the regions with missing content. In addition, we also propose a novel generator network, with a reference-based residual merging block for aligning large object motions in the feature domain, and a deep HDR supervision scheme for eliminating artifacts of the reconstructed HDR images. Experimental results demonstrate that our model achieves state-of-the-art reconstruction performance over the prior HDR methods on diverse scenes.
• Abstract（参考訳）: ダイナミックシーンにおける複数低ダイナミックレンジ(LDR)露光からの高ダイナミックレンジ(HDR)画像の合成は困難である。 前景の物体の大きな動きによって生じる2つの大きな問題がある。 一つは、LDR画像の深刻な不一致である。 もう1つは、移動物体によって引き起こされる過飽和領域による欠落内容であり、複数のldr曝露では容易に補うことができない。 したがって、HDR生成モデルは、アーティファクトを導入することなく、LDRイメージを適切に融合し、不足した詳細を復元できる必要がある。 本稿では,この2つの問題に対処するため,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モデルであるHDR-GANを提案する。 我々の知る限り、本研究はHDR再構成のための多露光LDR画像を融合する最初のGANベースのアプローチである。 本手法は,敵対学習を取り入れることで,コンテンツ不足の地域において忠実な情報を生成することができる。 また,特徴領域内の大きな物体の動きを整合させる参照ベース残差マージブロックと,再構成したhdr画像のアーティファクトを除去するための深部hdr監視機構を備えた,新しいジェネレータネットワークを提案する。 実験により,本モデルが従来のHDR法よりも高い精度で再現できることが実証された。

関連論文リスト

• A Cycle Ride to HDR: Semantics Aware Self-Supervised Framework for Unpaired LDR-to-HDR Image Translation [0.0]
  低ダイナミックレンジ(LDR)から高ダイナミックレンジ(High Dynamic Range)への画像変換は重要なコンピュータビジョン問題である。 現在の最先端の手法のほとんどは、モデルトレーニングのための高品質なペアLDR、データセットを必要とする。 本稿では,改良型サイクル整合対向アーキテクチャを提案し,未ペアのLDR,データセットをトレーニングに利用した。
  論文  参考訳（メタデータ） (2024-10-19T11:11:58Z)
• Exposure Diffusion: HDR Image Generation by Consistent LDR denoising [29.45922922270381]
  我々は、伝統的に「ブラケット」と呼ばれるLDR画像の集合を融合させ、単一のHDR画像を生成するHDR画像キャプチャー文献からインスピレーションを得る。 有効なHDR結果を生成する複数のLDRブラケットを生成するために,複数の復調処理を運用する。
  論文  参考訳（メタデータ） (2024-05-23T08:24:22Z)
• 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)
• Towards High-quality HDR Deghosting with Conditional Diffusion Models [88.83729417524823]
  高ダイナミックレンジ(LDR)画像は、既存のディープニューラルネットワーク(DNN)技術により、複数の低ダイナミックレンジ(LDR)画像から復元することができる。 DNNは、LDR画像が飽和度と大きな動きを持つ場合、ゴーストアーティファクトを生成する。 拡散モデルの条件としてLDR特徴を利用する画像生成としてHDRデゴースト問題を定式化する。
  論文  参考訳（メタデータ） (2023-11-02T01:53:55Z)
• 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)
• 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)
• HDR-cGAN: Single LDR to HDR Image Translation using Conditional GAN [24.299931323012757]
  低ダイナミックレンジ(LDR)カメラは、現実世界のシーンの広いダイナミックレンジを表現できない。 本研究では,HDR画像の再構成を行いながら,飽和領域の詳細を復元する深層学習手法を提案する。 本稿では,HDR-REALデータセットとHDR-SYNTHデータセットに対して,エンドツーエンドでトレーニングされた新しい条件付きGAN(cGAN)ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-04T18:50:35Z)
• 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)
• Beyond Visual Attractiveness: Physically Plausible Single Image HDR Reconstruction for Spherical Panoramas [60.24132321381606]
  我々は,単発hdr再構成フレームワークに物理的照度制約を導入する。 本手法は,視覚に訴えるだけでなく,物理的に妥当なHDRを生成することができる。
  論文  参考訳（メタデータ） (2021-03-24T01:51:19Z)

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。