論文の概要: Exploring Image Enhancement for Salient Object Detection in Low Light Images

• arxiv url: http://arxiv.org/abs/2007.16124v1
• Date: Fri, 31 Jul 2020 15:09:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-04 06:48:56.132603
• Title: Exploring Image Enhancement for Salient Object Detection in Low Light Images
• Title（参考訳）: 低光度画像におけるサルエント物体検出のための画像強調の検討
• Authors: Xin Xu, Shiqin Wang, Zheng Wang, Xiaolong Zhang, and Ruimin Hu
• Abstract要約: 低照度画像における有意な物体検出を容易にするための画像強調手法を提案する。 提案モデルでは、物理照明モデルを深部ニューラルネットワークに埋め込んで、低光画像の劣化を記述する。 画素レベルの人間ラベル付き地平線アノテーションを用いた低照度画像データセットを構築し,有望な結果を報告する。
• 参考スコア（独自算出の注目度）: 27.61080096436953
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low light images captured in a non-uniform illumination environment usually are degraded with the scene depth and the corresponding environment lights. This degradation results in severe object information loss in the degraded image modality, which makes the salient object detection more challenging due to low contrast property and artificial light influence. However, existing salient object detection models are developed based on the assumption that the images are captured under a sufficient brightness environment, which is impractical in real-world scenarios. In this work, we propose an image enhancement approach to facilitate the salient object detection in low light images. The proposed model directly embeds the physical lighting model into the deep neural network to describe the degradation of low light images, in which the environment light is treated as a point-wise variate and changes with local content. Moreover, a Non-Local-Block Layer is utilized to capture the difference of local content of an object against its local neighborhood favoring regions. To quantitative evaluation, we construct a low light Images dataset with pixel-level human-labeled ground-truth annotations and report promising results on four public datasets and our benchmark dataset.
• Abstract（参考訳）: 非一様照明環境で撮影される低光画像は通常、シーン深度と対応する環境光で劣化する。 この劣化により、劣化した画像モダリティの厳しい物体情報損失が発生し、低コントラスト特性と人工光の影響により、顕著な物体検出がより困難になる。 しかし,実世界のシナリオでは実現不可能な十分な明るさ環境下で画像が撮影されるという仮定に基づいて,既存の正当性物体検出モデルを開発した。 本研究では,低照度画像における物体検出を容易にする画像強調手法を提案する。 提案モデルでは, 物理照明モデルを深部ニューラルネットワークに直接埋め込んで, 低光画像の劣化を記述する。 さらに、非局所ブロック層を用いて、物体の局所的内容と、その局所的に有利な領域との差をキャプチャする。 定量的評価のために,画素レベルの人間ラベル付地中アノテーションを用いた低照度画像データセットを構築し,4つの公開データセットとベンチマークデータセットで有望な結果を報告する。

関連論文リスト

• Boosting Object Detection with Zero-Shot Day-Night Domain Adaptation [33.142262765252795]
  精巧なデータで訓練された検出器は、可視性が低いため、低照度データに対して顕著な性能低下を示す。 我々は、ゼロショット昼夜領域適応による低照度物体検出の高速化を提案する。 本手法は,低照度データを必要とすることなく,高照度シナリオから低照度シナリオへの検出器の一般化を行う。
  論文  参考訳（メタデータ） (2023-12-02T20:11:48Z)
• 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)
• Progressive Domain Adaptation with Contrastive Learning for Object Detection in the Satellite Imagery [0.0]
  最先端のオブジェクト検出手法は、小さくて密度の高いオブジェクトを特定するのにほとんど失敗している。 本稿では,特徴抽出プロセスを改善する小型物体検出パイプラインを提案する。 未確認データセットにおけるオブジェクト識別の劣化を緩和できることを示す。
  論文  参考訳（メタデータ） (2022-09-06T15:16:35Z)
• Semi-supervised atmospheric component learning in low-light image problem [0.0]
  環境照明条件は、写真装置から画像の知覚的品質を決定する上で重要な役割を担っている。 本研究では,低照度画像復元のための非参照画像品質指標を用いた半教師付きトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-04-15T17:06:33Z)
• 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)
• NOD: Taking a Closer Look at Detection under Extreme Low-Light Conditions with Night Object Detection Dataset [25.29013780731876]
  低い光は、以前考えられていたよりもマシン認知にとって困難である。 夜間に街路で撮影されたダイナミックなシーンを示す大規模なデータセットを提示する。 本稿では,画像強調モジュールをオブジェクト検出フレームワークと2つの新しいデータ拡張手法に組み込むことを提案する。
  論文  参考訳（メタデータ） (2021-10-20T03:44:04Z)
• Spatially-Varying Outdoor Lighting Estimation from Intrinsics [66.04683041837784]
  本稿では,空間変動型屋外照明推定のためのニューラルネットワークSOLID-Netを提案する。 グローバルスカイ環境マップとワープ画像情報を組み合わせて,空間変動する局所照明環境マップを生成する。 合成データセットと実データセットの両方の実験は、SOLID-Netが以前の方法を大幅に上回っていることを示しています。
  論文  参考訳（メタデータ） (2021-04-09T02:28:54Z)
• Deep Bilateral Retinex for Low-Light Image Enhancement [96.15991198417552]
  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。
  論文  参考訳（メタデータ） (2020-07-04T06:26:44Z)
• Scene relighting with illumination estimation in the latent space on an encoder-decoder scheme [68.8204255655161]
  本報告では,その目的を達成するための手法について述べる。 我々のモデルは、シーン内容、光源位置、色温度の異なる、人工的な場所のレンダリングデータセットに基づいて訓練されている。 本データセットでは,被写体の潜在空間表現における光条件の推測と置き換えを目的とした照明推定成分を用いたネットワークを用いた。
  論文  参考訳（メタデータ） (2020-06-03T15:25:11Z)
• 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。