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

• 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)
• Multi-scale Sampling and Aggregation Network For High Dynamic Range Imaging [24.94466716276423]
  動的シーンにおけるHDRイメージングのためのマルチスケールサンプリング・アグリゲーションネットワークを提案する。 提案手法は,高対応性を粗い方法でサンプリング・集約することで,LDR画像のアライメントを暗黙的に行う。 実験の結果,提案手法は様々な場面で最先端のパフォーマンスを実現することができることがわかった。
  論文  参考訳（メタデータ） (2022-08-04T04:37:35Z)
• 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)
• Luminance Attentive Networks for HDR Image and Panorama Reconstruction [37.364335148790005]
  低ダイナミックレンジ(LDR)画像から高逆範囲を不適切な問題として再構成することは困難である。 本稿では,1つのLDR画像からHDR再構成を行うために,LANetという減衰輝度ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-09-14T13:44:34Z)
• NTIRE 2021 Challenge on High Dynamic Range Imaging: Dataset, Methods and Results [56.932867490888015]
  本稿では,CVPR 2021と共同で開催されているニュートレンド・イメージ・リカバリ・エンハンスメント(NTIRE)ワークショップ(New Trends in Image Restoration and Enhancement, NTIRE)におけるハイダイナミックレンジイメージングの課題について概説する。 この課題は、1つまたは複数の低ダイナミックレンジ(LDR)観測からHDR画像を推定することを目的としている。
  論文  参考訳（メタデータ） (2021-06-02T19:45:16Z)
• 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)
• 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。