論文の概要: Estimation of Camera Response Function using Prediction Consistency and Gradual Refinement with an Extension to Deep Learning

• arxiv url: http://arxiv.org/abs/2010.04009v2
• Date: Tue, 23 Feb 2021 03:05:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 12:24:09.083220
• Title: Estimation of Camera Response Function using Prediction Consistency and Gradual Refinement with an Extension to Deep Learning
• Title（参考訳）: 深層学習の拡張による予測一貫性と粒界微細化を用いたカメラ応答関数の推定
• Authors: Aashish Sharma, Robby T. Tan, and Loong-Fah Cheong
• Abstract要約: 一つの画像からCRFを推定するための既存の手法は、一般的な実画像を扱うのに失敗する。 予測一貫性と漸進的改善を用いた非深層学習手法を提案する。 本手法は,日中・夜間の実画像に対して,既存の単一画像法よりも優れる。
• 参考スコア（独自算出の注目度）: 42.70498574189067
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most existing methods for CRF estimation from a single image fail to handle general real images. For instance, EdgeCRF based on colour patches extracted from edges works effectively only when the presence of noise is insignificant, which is not the case for many real images; and, CRFNet, a recent method based on fully supervised deep learning works only for the CRFs that are in the training data, and hence fail to deal with other possible CRFs beyond the training data. To address these problems, we introduce a non-deep-learning method using prediction consistency and gradual refinement. First, we rely more on the patches of the input image that provide more consistent predictions. If the predictions from a patch are more consistent, it means that the patch is likely to be less affected by noise or any inferior colour combinations, and hence, it can be more reliable for CRF estimation. Second, we employ a gradual refinement scheme in which we start from a simple CRF model to generate a result which is more robust to noise but less accurate, and then we gradually increase the model's complexity to improve the result. This is because a simple model, while being less accurate, overfits less to noise than a complex model does. Our experiments show that our method outperforms the existing single-image methods for daytime and nighttime real images. We further propose a more efficient deep learning extension that performs test-time training (based on unsupervised losses) on the test input image. This provides our method better generalization performance than CRFNet making it more practically applicable for CRF estimation for general real images.
• Abstract（参考訳）: 一つの画像からCRFを推定するための既存の手法は、一般的な実画像を扱うのに失敗する。 例えば、エッジから抽出されたカラーパッチに基づくEdgeCRFは、ノイズの存在が重要でない場合にのみ効果的に機能するが、これは多くの実画像には当てはまらない。 これらの問題に対処するために,予測一貫性と段階的改善を用いた非深層学習手法を提案する。 まず、より一貫性のある予測を提供する入力画像のパッチに依存する。 パッチからの予測がより一貫性がある場合、ノイズや劣った色の組み合わせによる影響が少なくなる可能性があり、したがってcrfの推定に信頼性が高くなる。 第二に、我々は単純なCRFモデルから始めてノイズに対してより堅牢で精度の低い結果を生成する段階的な改善手法を採用し、その結果を改善するためにモデルの複雑さを徐々に増加させます。 これは、単純なモデルは精度が低いが、複雑なモデルよりもノイズに過度に適合しないためである。 提案手法は,日中および夜間の実画像に対して,既存の単一画像手法よりも優れることを示す。 さらに,テスト入力画像上で(教師なし損失に基づく)テストタイムトレーニングを行う,より効率的なディープラーニング拡張を提案する。 これにより、CRFNetよりも優れた一般化性能が得られ、一般的な実画像のCRF推定に実用的に適用できる。

関連論文リスト

• Fast constrained sampling in pre-trained diffusion models [77.21486516041391]
  拡散モデルは、大規模な生成画像モデルの分野を支配してきた。 本研究では,大規模な事前学習拡散モデルにおける高速拘束サンプリングのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-24T14:52:38Z)
• LeRF: Learning Resampling Function for Adaptive and Efficient Image Interpolation [64.34935748707673]
  最近のディープニューラルネットワーク(DNN)は、学習データ前処理を導入することで、パフォーマンスを著しく向上させた。 本稿では,DNNが学習した構造的前提と局所的連続仮定の両方を活かした学習再サンプリング(Learning Resampling, LeRF)を提案する。 LeRFは空間的に異なる再サンプリング関数を入力画像ピクセルに割り当て、ニューラルネットワークを用いてこれらの再サンプリング関数の形状を予測する。
  論文  参考訳（メタデータ） (2024-07-13T16:09:45Z)
• Using Neural Networks for Fast SAR Roughness Estimation of High Resolution Images [2.6107298043931197]
  本稿では,G_I0$サンプルの基本パラメータの予測方法を学習するニューラルネットワークに基づく推定フレームワークを提案する。 このアプローチは, より高速で, 予測誤差が少なく, 故障の危険性も低い推定器に繋がることを示す。
  論文  参考訳（メタデータ） (2023-09-06T20:24:13Z)
• ExposureDiffusion: Learning to Expose for Low-light Image Enhancement [87.08496758469835]
  この研究は、拡散モデルと物理ベースの露光モデルとをシームレスに統合することで、この問題に対処する。 提案手法は,バニラ拡散モデルと比較して性能が大幅に向上し,推論時間を短縮する。 提案するフレームワークは、実際のペア付きデータセット、SOTAノイズモデル、および異なるバックボーンネットワークの両方で動作する。
  論文  参考訳（メタデータ） (2023-07-15T04:48:35Z)
• DiffIR: Efficient Diffusion Model for Image Restoration [108.82579440308267]
  拡散モデル(DM)は、画像合成過程をデノナイジングネットワークのシーケンシャルな応用にモデル化することで、SOTA性能を達成した。 画像全体や特徴マップを推定する大規模なモデルで大規模なイテレーションを実行する従来のDMは、画像復元には非効率である。 本稿では、小型IR先行抽出ネットワーク(CPEN)、ダイナミックIR変換器(DIRformer)、デノナイズネットワーク(Denoising Network)からなるDiffIRを提案する。
  論文  参考訳（メタデータ） (2023-03-16T16:47:14Z)
• Linear Combinations of Patches are Unreasonably Effective for Single-Image Denoising [5.893124686141782]
  ディープニューラルネットワークは、画像のノイズ化に革命を起こし、大幅な精度向上を実現している。 画像先行を外部から学習する必要性を軽減するため、入力ノイズ画像の分析のみに基づいて、単画像方式で復調を行う。 本研究は, この制約下でのデノナイズのためのパッチの線形結合の有効性について検討する。
  論文  参考訳（メタデータ） (2022-12-01T10:52:03Z)
• Pure Noise to the Rescue of Insufficient Data: Improving Imbalanced Classification by Training on Random Noise Images [12.91269560135337]
  我々は、この制限を緩和する驚くほど単純で効果的な方法を提案する。 データ拡張のための付加雑音や逆雑音の一般的な使用とは異なり、純粋ランダムノイズ画像の直接トレーニングを提案する。 本稿では,同一ネットワーク内の自然画像に加えて,純雑音画像のトレーニングを可能にするDAR-BNを新たに提案する。
  論文  参考訳（メタデータ） (2021-12-16T11:51:35Z)
• Fidelity Estimation Improves Noisy-Image Classification with Pretrained Networks [12.814135905559992]
  本稿では,事前学習した分類器に適用可能な手法を提案する。 提案手法では,特徴抽出器の内部表現に融合した忠実度マップの推定値を利用する。 オラクルの忠実度マップを用いた場合, ノイズや復元画像のトレーニングにおいて, 完全に再トレーニングされた手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-06-01T17:58:32Z)
• RAIN: A Simple Approach for Robust and Accurate Image Classification Networks [156.09526491791772]
  既存の敵防衛手法の大部分は、予測精度を犠牲にして堅牢性を実現することが示されている。 本稿では,ロバストおよび高精度画像分類N(RAIN)と呼ぶ新しい前処理フレームワークを提案する。 RAINは入力に対してランダム化を適用して、モデルフォワード予測パスと後方勾配パスの関係を壊し、モデルロバスト性を改善する。 STL10 と ImageNet のデータセットを用いて、様々な種類の敵攻撃に対する RAIN の有効性を検証する。
  論文  参考訳（メタデータ） (2020-04-24T02:03:56Z)

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。