論文の概要: Low-Light Maritime Image Enhancement with Regularized Illumination Optimization and Deep Noise Suppression

• arxiv url: http://arxiv.org/abs/2008.03765v1
• Date: Sun, 9 Aug 2020 17:05:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-01 04:43:49.584879
• Title: Low-Light Maritime Image Enhancement with Regularized Illumination Optimization and Deep Noise Suppression
• Title（参考訳）: 正則照明最適化と深部雑音抑圧による低光海洋画像強調
• Authors: Yu Guo, Yuxu Lu, Ryan Wen Liu, Meifang Yang, Kwok Tai Chui
• Abstract要約: 本稿では,照明の正規化と雑音抑圧による低照度画像の高精細化を提案する。 人工海事画像と現実海事画像の総合的な実験を行い,提案手法と最先端画像との比較を行った。
• 参考スコア（独自算出の注目度）: 5.401654133604235
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Maritime images captured under low-light imaging condition easily suffer from low visibility and unexpected noise, leading to negative effects on maritime traffic supervision and management. To promote imaging performance, it is necessary to restore the important visual information from degraded low-light images. In this paper, we propose to enhance the low-light images through regularized illumination optimization and deep noise suppression. In particular, a hybrid regularized variational model, which combines L0-norm gradient sparsity prior with structure-aware regularization, is presented to refine the coarse illumination map originally estimated using Max-RGB. The adaptive gamma correction method is then introduced to adjust the refined illumination map. Based on the assumption of Retinex theory, a guided filter-based detail boosting method is introduced to optimize the reflection map. The adjusted illumination and optimized reflection maps are finally combined to generate the enhanced maritime images. To suppress the effect of unwanted noise on imaging performance, a deep learning-based blind denoising framework is further introduced to promote the visual quality of enhanced image. In particular, this framework is composed of two sub-networks, i.e., E-Net and D-Net adopted for noise level estimation and non-blind noise reduction, respectively. The main benefit of our image enhancement method is that it takes full advantage of the regularized illumination optimization and deep blind denoising. Comprehensive experiments have been conducted on both synthetic and realistic maritime images to compare our proposed method with several state-of-the-art imaging methods. Experimental results have illustrated its superior performance in terms of both quantitative and qualitative evaluations.
• Abstract（参考訳）: 低光撮像条件下で撮影された海洋画像は視認性が低く、予期せぬノイズが発生しやすいため、海上交通の監督や管理に悪影響を及ぼす。 画像性能向上のためには、劣化した低光度画像から重要な視覚情報を復元する必要がある。 本稿では,正規化照明最適化とディープノイズ抑圧による低照度画像の高精細化を提案する。 特に,L0-ノルム勾配間隔と構造認識正規化を併用したハイブリッド正規化変分モデルを示し,Max-RGBを用いて推定した粗い照明マップを改良する。 次に、洗練された照明マップを調整するために適応ガンマ補正法を導入する。 Retinex理論の仮定に基づいて、リフレクションマップを最適化するために、ガイド付きフィルタに基づく詳細強化手法を導入する。 調整された照明と最適化された反射マップを組み合わせて、拡張された海洋画像を生成する。 望ましくないノイズが撮像性能に与える影響を抑制するため、深層学習に基づくブラインドデノイングフレームワークを更に導入し、強調画像の視覚的品質を向上する。 特に、このフレームワークは2つのサブネットワーク(E-NetとD-Net)で構成されており、それぞれノイズレベル推定と非ブラインドノイズ低減に採用されている。 画像強調手法の主な利点は、規則化された照明最適化と深い目隠しを最大限に活用できることである。 人工海事画像と現実海事画像の総合的な実験を行い,提案手法と最先端画像との比較を行った。 実験結果から,定量評価と定性評価の両面で優れた性能を示した。

関連論文リスト

• Dual High-Order Total Variation Model for Underwater Image Restoration [13.789310785350484]
  水中画像の高画質化と復元(UIER)は,水中画像の画質向上のための重要な手段である。 拡張水中画像形成モデル(UIFM)に基づく効果的な変分フレームワークを提案する。 提案フレームワークでは,重み係数に基づく色補正とカラーバランスを組み合わせることで,減衰した色チャネルを補償し,色キャストを除去する。
  論文  参考訳（メタデータ） (2024-07-20T13:06:37Z)
• CodeEnhance: A Codebook-Driven Approach for Low-Light Image Enhancement [97.95330185793358]
  低照度画像強調(LLIE)は、低照度画像を改善することを目的としている。 既存の手法では、様々な明るさ劣化からの回復の不確実性と、テクスチャと色情報の喪失という2つの課題に直面している。 我々は、量子化された先行値と画像の精細化を利用して、新しいエンハンスメント手法、CodeEnhanceを提案する。
  論文  参考訳（メタデータ） (2024-04-08T07:34:39Z)
• 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)
• Cycle-Interactive Generative Adversarial Network for Robust Unsupervised Low-Light Enhancement [109.335317310485]
  CIGAN(Cycle-Interactive Generative Adversarial Network)は、低照度画像間の照明分布の転送を改善できるだけでなく、詳細な信号も操作できる。 特に、提案した低照度誘導変換は、低照度GAN生成器から劣化GAN生成器へ、低照度画像の特徴をフォワードする。
  論文  参考訳（メタデータ） (2022-07-03T06:37:46Z)
• 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)
• Noise-Aware Texture-Preserving Low-Light Enhancement [33.15997505165117]
  NATLEと呼ばれる新しい手法は、ノイズ除去と自然テクスチャ保存のバランスを保とうとしている。 NATLEの優れた性能を示すため、一般的な低照度画像強調データセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2020-09-02T23:30:03Z)
• 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)
• 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)
• 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)

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。