論文の概要: Better Than Reference In Low Light Image Enhancement: Conditional Re-Enhancement Networks

• arxiv url: http://arxiv.org/abs/2008.11434v1
• Date: Wed, 26 Aug 2020 08:10:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 22:05:23.936481
• Title: Better Than Reference In Low Light Image Enhancement: Conditional Re-Enhancement Networks
• Title（参考訳）: 低光度画像強調における参照より優れている:条件付き再エンハンスメントネットワーク
• Authors: Yu Zhang, Xiaoguang Di, Bin Zhang, Ruihang Ji, and Chunhui Wang
• Abstract要約: 本稿では,教師付き学習と過去のHSVやRetinexモデルに基づく画像強調手法を組み合わせた低照度画像強調手法を提案する。 データ駆動型条件付き再エンハンスメントネットワーク(CRENet)を提案する。 ネットワークは、低光画像を入力として、拡張Vチャンネルを条件として、低光画像のコントラストと明るさを再強調する。
• 参考スコア（独自算出の注目度）: 7.403383360312335
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low light images suffer from severe noise, low brightness, low contrast, etc. In previous researches, many image enhancement methods have been proposed, but few methods can deal with these problems simultaneously. In this paper, to solve these problems simultaneously, we propose a low light image enhancement method that can combined with supervised learning and previous HSV (Hue, Saturation, Value) or Retinex model based image enhancement methods. First, we analyse the relationship between the HSV color space and the Retinex theory, and show that the V channel (V channel in HSV color space, equals the maximum channel in RGB color space) of the enhanced image can well represent the contrast and brightness enhancement process. Then, a data-driven conditional re-enhancement network (denoted as CRENet) is proposed. The network takes low light images as input and the enhanced V channel as condition, then it can re-enhance the contrast and brightness of the low light image and at the same time reduce noise and color distortion. It should be noted that during the training process, any paired images with different exposure time can be used for training, and there is no need to carefully select the supervised images which will save a lot. In addition, it takes less than 20 ms to process a color image with the resolution 400*600 on a 2080Ti GPU. Finally, some comparative experiments are implemented to prove the effectiveness of the method. The results show that the method proposed in this paper can significantly improve the quality of the enhanced image, and by combining with other image contrast enhancement methods, the final enhancement result can even be better than the reference image in contrast and brightness. (Code will be available at https://github.com/hitzhangyu/image-enhancement-with-denoise)
• Abstract（参考訳）: 低照度画像は、厳しいノイズ、低い明るさ、低いコントラストなどに悩まされる。 過去の研究では、多くの画像強調法が提案されているが、これらの問題を同時に扱う方法はほとんどない。 本稿では,これらの問題を同時に解決するために,教師付き学習と従来のHSV(Hue, Saturation, Value)やRetinexモデルに基づく画像強調手法を組み合わせた低光画像強調手法を提案する。 まず,hsv色空間とretinex理論の関係を分析し,強調画像のvチャネル(hsv色空間のvチャネル、rgb色空間の最大チャンネルと等しい)がコントラストと輝度の増大過程を表現できることを示す。 次に,データ駆動型条件付き再エンハンスメントネットワーク(CRENet)を提案する。 ネットワークは、低光画像を入力として、拡張vチャネルを条件として、低光画像のコントラストと輝度を再強化すると同時に、ノイズや色歪を低減することができる。 トレーニングプロセスの間、異なる露光時間を持つ任意のペアイメージをトレーニングに使用することができ、多くの時間を節約できる教師付きイメージを慎重に選択する必要はない点に注意が必要だ。 さらに、2080Ti GPU上で解像度400*600のカラー画像を処理するのに20ミリ秒未満である。 最後に,本手法の有効性を証明するために比較実験を行った。 この結果から,本手法は強調画像の品質を著しく向上し,他の画像コントラスト強調法と組み合わせることで,コントラストや輝度の基準画像よりも最終的な強調結果が向上する可能性が示唆された。 (コードはhttps://github.com/hitzhangyu/image-enhancement-with-denoise)。

関連論文リスト

• You Only Need One Color Space: An Efficient Network for Low-light Image Enhancement [50.37253008333166]
  低照度画像強調(LLIE)タスクは、劣化した低照度画像から詳細と視覚情報を復元する傾向がある。 水平/垂直インテンシティ(HVI)と呼ばれる新しいトレーニング可能なカラー空間を提案する。 輝度と色をRGBチャネルから切り離して、拡張中の不安定性を緩和するだけでなく、トレーニング可能なパラメータによって異なる照明範囲の低照度画像にも適応する。
  論文  参考訳（メタデータ） (2024-02-08T16:47:43Z)
• Training Neural Networks on RAW and HDR Images for Restoration Tasks [59.41340420564656]
  本研究は,3つの画像復元アプリケーション(デノイング,デブロアリング,シングルイメージ超解像)に対するアプローチを検証した。 その結果、ニューラルネットワークは、表示色空間で表現されるHDRおよびRAW画像において、かなりよく訓練されていることが示唆された。 トレーニング戦略へのこの小さな変更は、最大10～15dBのパフォーマンスを大幅に向上させることができます。
  論文  参考訳（メタデータ） (2023-12-06T17:47:16Z)
• Enhancing Low-Light Images Using Infrared-Encoded Images [81.8710581927427]
  従来の芸術は、主にピクセルワイド・ロスを用いて可視光スペクトルで捉えた低照度画像に焦点を当てていた。 我々は,赤外線カットオフフィルタを除去することにより,低照度環境下で撮影された画像の可視性を高める新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-07-09T08:29:19Z)
• Retinexformer: One-stage Retinex-based Transformer for Low-light Image Enhancement [96.09255345336639]
  低照度画像の高精細化のために,原理化された1段Retinex-based Framework (ORF) を定式化する。 ORFはまず照明情報を推定し、低照度画像を照らす。 我々のアルゴリズムであるRetinexformerは13のベンチマークで最先端の手法を大幅に上回っている。
  論文  参考訳（メタデータ） (2023-03-12T16:54:08Z)
• Learning Weighting Map for Bit-Depth Expansion within a Rational Range [64.15915577164894]
  ビット深化(BDE)は、低ビット深化(LBD)ソースから高ビット深化(HBD)画像を表示する新興技術の1つである。 既存のBDEメソッドは、様々なBDE状況に対して統一的なソリューションを持っていない。 我々は,各画素の重みを求めるためにビット復元ネットワーク(BRNet)を設計し,補充値の比率を合理的範囲内で示す。
  論文  参考訳（メタデータ） (2022-04-26T02:27:39Z)
• TSN-CA: A Two-Stage Network with Channel Attention for Low-Light Image Enhancement [11.738203047278848]
  本稿では,低照度画像の明るさを高めるために,チャネル注意型2段階ネットワーク(TSN-CA)を提案する。 本手法が明度向上に優れた効果を発揮できることを示すため,広範にわたる実験を行った。
  論文  参考訳（メタデータ） (2021-10-06T03:20:18Z)
• Degrade is Upgrade: Learning Degradation for Low-light Image Enhancement [52.49231695707198]
  2段階の工程で細部と色を精錬しながら、内在的な劣化と低照度画像を照らし出す。 カラー画像の定式化に触発されて,まず低照度入力からの劣化を推定し,環境照明色の歪みをシミュレーションし,そのコンテンツを精錬して拡散照明色の損失を回復した。 LOL1000データセットではPSNRで0.95dB、ExDarkデータセットでは3.18%のmAPでSOTAを上回った。
  論文  参考訳（メタデータ） (2021-03-19T04:00:27Z)
• A Switched View of Retinex: Deep Self-Regularized Low-Light Image Enhancement [5.217306793654357]
  自己正規化低光度画像強調は、トレーニングにおいて通常の光画像を必要としないため、ペアまたはペアなしの低光/非正規画像のチェーンから解放される。 本稿では,すべての色(Hue, Saturation)を保存し,Retinex理論を輝度(Value)にのみ統合する,Retinexに基づく新たな自己正規化手法を提案する。 本手法は、低光度画像を色と明るさの2つのサブスペースに分離し、保存と拡張性を向上させるため効率的である。
  論文  参考訳（メタデータ） (2021-01-03T10:40:31Z)
• Fast Enhancement for Non-Uniform Illumination Images using Light-weight CNNs [17.038277999659684]
  本稿では,非均一照明画像強調のための新しい軽量畳み込みニューラルネットワークを提案する。 我々のモデルは、0.5メガピクセル(600*800のような)画像をリアルタイムで(50fps)向上させることができる。
  論文  参考訳（メタデータ） (2020-05-31T05:14:29Z)

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。