論文の概要: Deep Bilateral Retinex for Low-Light Image Enhancement

• arxiv url: http://arxiv.org/abs/2007.02018v1
• Date: Sat, 4 Jul 2020 06:26:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-13 13:46:51.486027
• Title: Deep Bilateral Retinex for Low-Light Image Enhancement
• Title（参考訳）: 低光度画像強調のための深部両側網膜
• Authors: Jinxiu Liang, Yong Xu, Yuhui Quan, Jingwen Wang, Haibin Ling and Hui Ji
• Abstract要約: 低照度画像は、低コントラスト、色歪み、測定ノイズによる視界の低下に悩まされる。 本稿では,低照度画像強調のための深層学習手法を提案する。 提案手法は最先端の手法と非常に競合し, 極めて低照度で撮影した画像の処理において, 他に比べて大きな優位性を有する。
• 参考スコア（独自算出の注目度）: 96.15991198417552
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-light images, i.e. the images captured in low-light conditions, suffer from very poor visibility caused by low contrast, color distortion and significant measurement noise. Low-light image enhancement is about improving the visibility of low-light images. As the measurement noise in low-light images is usually significant yet complex with spatially-varying characteristic, how to handle the noise effectively is an important yet challenging problem in low-light image enhancement. Based on the Retinex decomposition of natural images, this paper proposes a deep learning method for low-light image enhancement with a particular focus on handling the measurement noise. The basic idea is to train a neural network to generate a set of pixel-wise operators for simultaneously predicting the noise and the illumination layer, where the operators are defined in the bilateral space. Such an integrated approach allows us to have an accurate prediction of the reflectance layer in the presence of significant spatially-varying measurement noise. Extensive experiments on several benchmark datasets have shown that the proposed method is very competitive to the state-of-the-art methods, and has significant advantage over others when processing images captured in extremely low lighting conditions.
• Abstract（参考訳）: 低照度画像、すなわち低照度で撮影された画像は、低コントラスト、色歪、顕著な測定ノイズによって非常に視認性が低下する。 低照度画像の可視性を改善すること。 低照度画像における計測ノイズは、空間的変動特性と相容れないが複雑であるため、低照度画像エンハンスメントにおいて、ノイズを効果的に処理する方法は重要かつ困難な問題である。 本稿では,自然画像のレチネックス分解に基づいて,低光度画像強調のための深層学習法を提案する。 基本的な考え方は、ニューラルネットワークを訓練して、ノイズと照明層を同時に予測する画素単位の演算子セットを生成することである。 このような統合的なアプローチにより,空間的変化の大きい測定ノイズの存在下で反射層を正確に予測することができる。 いくつかのベンチマークデータセットの大規模な実験により、提案手法は最先端の手法と非常に競合し、非常に低い照明条件下で撮像された画像を処理する場合、他の方法よりも大きな優位性を持つことが示された。

関連論文リスト

• Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
  低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。 これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。 まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。 次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
  論文  参考訳（メタデータ） (2023-05-17T13:56:48Z)
• 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)
• Adaptive Unfolding Total Variation Network for Low-Light Image Enhancement [6.531546527140475]
  sRGB空間における既存の拡張アルゴリズムのほとんどは、低可視性問題にのみ焦点をあてるか、仮説的雑音レベルの下でノイズを抑圧する。 本稿では,実際のsRGB低照度画像から雑音レベルを近似する適応展開全変動ネットワーク(UTVNet)を提案する。 実世界の低照度画像に対する実験は、最先端の手法よりもUTVNetの優れた性能を明らかに示している。
  論文  参考訳（メタデータ） (2021-10-03T11:22:17Z)
• Physics-based Noise Modeling for Extreme Low-light Photography [63.65570751728917]
  CMOS光センサの撮像パイプラインにおけるノイズ統計について検討する。 実雑音構造を正確に特徴付けることのできる包括的ノイズモデルを定式化する。 我々のノイズモデルは、学習に基づく低照度復調アルゴリズムのためのリアルなトレーニングデータを合成するのに利用できる。
  論文  参考訳（メタデータ） (2021-08-04T16:36:29Z)
• CERL: A Unified Optimization Framework for Light Enhancement with Realistic Noise [81.47026986488638]
  現実世界で撮影された低照度画像は、センサーノイズによって必然的に破損する。 既存の光強調法は、拡張中の現実世界のノイズの重要な影響を見落としているか、ノイズ除去を別の前処理または後処理のステップとして扱うかのどちらかである。 実世界の低照度雑音画像(CERL)のコーディネート・エンハンスメントを行い,光強調部と雑音抑制部を一体化・物理接地したフレームワークにシームレスに統合する。
  論文  参考訳（メタデータ） (2021-08-01T15:31:15Z)
• Progressive Joint Low-light Enhancement and Noise Removal for Raw Images [10.778200442212334]
  モバイル機器の低照度撮像は、比較的小さな開口部を通過する入射光が不足しているため、通常困難である。 そこで我々は,共同照明調整,色強調,遮音を行う低照度画像処理フレームワークを提案する。 我々のフレームワークは、他のカメラモデルに適応する際に、大量のデータを再構成する必要はない。
  論文  参考訳（メタデータ） (2021-06-28T16:43:52Z)
• A Two-stage Unsupervised Approach for Low light Image Enhancement [18.365345507072234]
  本稿では,低光像強調を前処理と後処理の問題に分解する2段階の教師なし手法を提案する。 提案手法は,低照度条件下で特徴点マッチングと同時局所化とマッピングを大幅に改善することができる。
  論文  参考訳（メタデータ） (2020-10-19T08:51:32Z)
• Attention-based network for low-light image enhancement [44.13717081876637]
  本稿では,センサデータから高品質で高画質な低照度画像を生成する新しいアテンションベースニューラルネットワークを提案する。 我々は、望ましくない色収差と雑音を抑制するために、注意戦略(チャネルアテンションと空間アテンションモジュール)を用いる。 実験では,色収差の抑制やノイズアーティファクトの強化の観点から,提案するネットワークの優位性を実証した。
  論文  参考訳（メタデータ） (2020-05-20T02:43:02Z)
• 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。