論文の概要: GIA-Net: Global Information Aware Network for Low-light Imaging
- arxiv url: http://arxiv.org/abs/2009.06604v1
- Date: Mon, 14 Sep 2020 17:38:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 12:43:37.102090
- Title: GIA-Net: Global Information Aware Network for Low-light Imaging
- Title(参考訳): GIA-Net:低照度イメージングのためのグローバル情報認識ネットワーク
- Authors: Zibo Meng, Runsheng Xu, Chiu Man Ho
- Abstract要約: 我々は,低照度撮像の性能向上のために,グローバル情報をネットワークに抽出・統合するグローバル情報認識モジュールを提案する。
提案したGAA-Netは、知覚的類似度を測定するディープメトリックを含む4つのメトリクスの観点から、最先端の手法よりも優れている。
- 参考スコア(独自算出の注目度): 12.836026685373257
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: It is extremely challenging to acquire perceptually plausible images under
low-light conditions due to low SNR. Most recently, U-Nets have shown promising
results for low-light imaging. However, vanilla U-Nets generate images with
artifacts such as color inconsistency due to the lack of global color
information. In this paper, we propose a global information aware (GIA) module,
which is capable of extracting and integrating the global information into the
network to improve the performance of low-light imaging. The GIA module can be
inserted into a vanilla U-Net with negligible extra learnable parameters or
computational cost. Moreover, a GIA-Net is constructed, trained and evaluated
on a large scale real-world low-light imaging dataset. Experimental results
show that the proposed GIA-Net outperforms the state-of-the-art methods in
terms of four metrics, including deep metrics that measure perceptual
similarities. Extensive ablation studies have been conducted to verify the
effectiveness of the proposed GIA-Net for low-light imaging by utilizing global
information.
- Abstract(参考訳): SNRの低い低照度条件下で知覚可視画像を取得することは極めて困難である。
最近では、U-Netは低照度撮像の有望な結果を示している。
しかし、バニラuネットは、グローバルカラー情報の欠如により、色不整合などのアーティファクトを持つ画像を生成する。
本稿では,グローバル情報をネットワークに抽出・統合し,低光度イメージングの性能を向上させるグローバル情報認識(gia)モジュールを提案する。
GIAモジュールは、学習可能な余分なパラメータや計算コストを無視できるバニラU-Netに挿入することができる。
さらに、GIA-Netを構築、訓練し、大規模な実世界の低光画像データセットで評価する。
実験の結果,提案したGIA-Netは,知覚的類似度を測定する深度指標を含む4つの指標で最先端の手法よりも優れていた。
グローバル情報を利用した低照度撮像におけるGIA-Netの有効性を検証するため,大規模なアブレーション研究が進められている。
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) - 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) - UIU-Net: U-Net in U-Net for Infrared Small Object Detection [36.72184013409837]
本稿では,U-NetフレームワークにおけるU-Netの簡易かつ効果的なUIU-Netを提案する。
名前が示すように、UIU-Netは小さなU-Netを大きなU-Netバックボーンに組み込み、オブジェクトのマルチレベルおよびマルチスケールの表現学習を可能にする。
提案したUIU-Netは、ビデオシーケンス赤外線小オブジェクトデータセットの強力な一般化性能も生み出す。
論文 参考訳(メタデータ) (2022-12-02T04:52:26Z) - 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) - KinD-LCE Curve Estimation And Retinex Fusion On Low-Light Image [7.280719886684936]
本稿では,低照度化のためのアルゴリズムを提案する。
KinD-LCEは、Retinex分解画像の照明マップを強化するために光曲線推定モジュールを使用する。
照明マップと反射マップ融合モジュールも提案され、画像の詳細を復元し、詳細損失を低減した。
論文 参考訳(メタデータ) (2022-07-19T11:49:21Z) - Attention Guided Network for Salient Object Detection in Optical Remote
Sensing Images [16.933770557853077]
光リモートセンシング画像(RSI-SOD)における局所物体検出は非常に難しい作業である。
本稿では,光学RSIにおけるSODのための新しい注意誘導ネットワーク(AGNet)を提案する。
AGNetは、他の最先端の手法と比較して、競争力がある。
論文 参考訳(メタデータ) (2022-07-05T01:01:03Z) - 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) - Learning Deep Context-Sensitive Decomposition for Low-Light Image
Enhancement [58.72667941107544]
典型的なフレームワークは、照明と反射を同時に推定することであるが、特徴空間にカプセル化されたシーンレベルの文脈情報を無視する。
本研究では,空間スケールにおけるシーンレベルのコンテキスト依存を生かした,コンテキスト依存型分解ネットワークアーキテクチャを提案する。
チャネル数を減らして軽量なCSDNet(LiteCSDNet)を開発する。
論文 参考訳(メタデータ) (2021-12-09T06:25:30Z) - R2RNet: Low-light Image Enhancement via Real-low to Real-normal Network [7.755223662467257]
本稿ではR2RNetと呼ばれる低照度画像強調のための新しいReal-low to Real-normal Networkを提案する。
合成画像で訓練された他のほとんどの方法とは異なり、我々は最初の大規模実世界ペアロー/ノーマルライト画像データセットを収集する。
提案手法はコントラストを適切に改善し,ノイズを同時に抑制することができる。
論文 参考訳(メタデータ) (2021-06-28T09:33:13Z) - Low Light Image Enhancement via Global and Local Context Modeling [164.85287246243956]
低照度画像強調のためのコンテキスト認識ディープネットワークを導入。
まず、全空間領域上の補完的な手がかりを見つけるために空間相関をモデル化するグローバルコンテキストモジュールを特徴とする。
第二に、比較的大きな受容フィールドで局所的なコンテキストをキャプチャする密な残留ブロックを導入する。
論文 参考訳(メタデータ) (2021-01-04T09:40:54Z) - A U-Net Based Discriminator for Generative Adversarial Networks [86.67102929147592]
GAN(Generative Adversarial Network)のための代替U-Netベースの識別器アーキテクチャを提案する。
提案アーキテクチャにより,合成画像のグローバルコヒーレンスを維持しつつ,画素単位の詳細なフィードバックを生成元に提供することができる。
斬新な判別器は、標準分布と画像品質の指標の観点から、最先端の技術を向上する。
論文 参考訳(メタデータ) (2020-02-28T11:16:54Z)
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。