論文の概要: A Two-stage Unsupervised Approach for Low light Image Enhancement
- arxiv url: http://arxiv.org/abs/2010.09316v2
- Date: Tue, 20 Oct 2020 01:39:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 22:08:15.821639
- Title: A Two-stage Unsupervised Approach for Low light Image Enhancement
- Title（参考訳）: 低光画像強調のための2段階無監督アプローチ
- Authors: Junjie Hu, Xiyue Guo, Junfeng Chen, Guanqi Liang, Fuqin Deng and Tin
lun Lam
- Abstract要約: 本稿では,低光像強調を前処理と後処理の問題に分解する2段階の教師なし手法を提案する。
提案手法は,低照度条件下で特徴点マッチングと同時局所化とマッピングを大幅に改善することができる。
- 参考スコア（独自算出の注目度）: 18.365345507072234
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As vision based perception methods are usually built on the normal light
assumption, there will be a serious safety issue when deploying them into low
light environments. Recently, deep learning based methods have been proposed to
enhance low light images by penalizing the pixel-wise loss of low light and
normal light images. However, most of them suffer from the following problems:
1) the need of pairs of low light and normal light images for training, 2) the
poor performance for dark images, 3) the amplification of noise. To alleviate
these problems, in this paper, we propose a two-stage unsupervised method that
decomposes the low light image enhancement into a pre-enhancement and a
post-refinement problem. In the first stage, we pre-enhance a low light image
with a conventional Retinex based method. In the second stage, we use a
refinement network learned with adversarial training for further improvement of
the image quality. The experimental results show that our method outperforms
previous methods on four benchmark datasets. In addition, we show that our
method can significantly improve feature points matching and simultaneous
localization and mapping in low light conditions.
- Abstract（参考訳）: 視覚に基づく知覚法は通常、通常の光の仮定に基づいて構築されるため、低光環境に配置する際に深刻な安全性の問題が発生する。
近年,低光度画像と正常光画像の画素方向損失をペナルティとして,低光画像を強化するディープラーニング手法が提案されている。
しかし、そのほとんどは以下の問題に悩まされている。
1) 訓練のための低光度画像と正常光画像のペアの必要性
2)暗い画像に対する性能の低下。
3)騒音の増幅。
そこで,本稿では,低光度画像強調をプリエンハンスメントとポストエンハンスメント問題に分解する2段階非教師付き手法を提案する。
第1段階では、従来のRetinex法で低光画像の事前強調を行う。
第2段階では,画像品質のさらなる向上のために,敵意トレーニングで学習したリファインメントネットワークを用いる。
実験の結果,本手法は4つのベンチマークデータセットにおいて従来の手法よりも優れていた。
また,本手法は低光度環境において特徴点マッチングと同時局在化とマッピングを著しく改善できることを示す。
関連論文リスト
- Unsupervised Low-light Image Enhancement with Lookup Tables and Diffusion Priors [38.96909959677438]
低照度画像強調(LIE)は、低照度環境において劣化した画像を高精度かつ効率的に回収することを目的としている。
近年の先進的なLIE技術は、多くの低正規の光画像対、ネットワークパラメータ、計算資源を必要とするディープニューラルネットワークを使用している。
拡散先行とルックアップテーブルに基づく新しい非教師付きLIEフレームワークを考案し,低照度画像の効率的な回復を実現する。
論文 参考訳（メタデータ） (2024-09-27T16:37:27Z) - Zero-Reference Low-Light Enhancement via Physical Quadruple Priors [58.77377454210244]
本稿では,標準光画像のみをトレーニング可能な,ゼロ参照低光強調フレームワークを提案する。
このフレームワークは、画像にさかのぼる照明不変性を復元し、自動的に低照度化を実現します。
論文 参考訳（メタデータ） (2024-03-19T17:36:28Z) - Simplifying Low-Light Image Enhancement Networks with Relative Loss
Functions [14.63586364951471]
FLW-Net(Fast and LightWeight Network)と2つの相対損失関数を導入し,低照度画像強調における学習を容易にする。
我々はまず、グローバルコントラストを得るための大きな受容領域の必要性の課題を認識した。
そこで我々は,これらの課題を克服するために,相対情報に基づく効率的なグローバル特徴情報抽出コンポーネントと2つの損失関数を提案する。
論文 参考訳（メタデータ） (2023-04-06T10:05:54Z) - Learning to Relight Portrait Images via a Virtual Light Stage and
Synthetic-to-Real Adaptation [76.96499178502759]
Relightingは、イメージ内の人物を、ターゲットの照明のある環境に現れたかのように再照らすことを目的としている。
最近の手法は、高品質な結果を得るためにディープラーニングに依存している。
そこで本研究では,光ステージを必要とせずに,SOTA(State-of-the-art Relighting Method)と同等に動作可能な新しい手法を提案する。
論文 参考訳（メタデータ） (2022-09-21T17:15:58Z) - 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) - Invertible Network for Unpaired Low-light Image Enhancement [78.33382003460903]
本稿では,非可逆的ネットワークを活用して,前処理における低照度画像の強化と,非対向学習により逆向きに通常の照度画像の劣化を図ることを提案する。
対向的損失に加えて、トレーニングの安定性を確保し、より詳細な画像を保存するために、様々な損失関数を設計する。
低照度画像に対するプログレッシブ自己誘導強調処理を提案し,SOTAに対して良好な性能を示す。
論文 参考訳（メタデータ） (2021-12-24T17:00:54Z) - Unsupervised Low-Light Image Enhancement via Histogram Equalization
Prior [40.61944814314655]
HEP (Equalization prior) と呼ばれる実効的事前ヒストグラムに基づく教師なし低照度画像強調手法を提案する。
反射率マップのノイズと内容を、未確認クリーンな画像の信頼性のある助けを借りてアンタングルするノイズ・ディアンタングメント・モジュール(NDM)を導入する。
本手法は、最先端の教師なし低照度化アルゴリズムに対して好適に動作し、最先端の教師付きアルゴリズムに適合する。
論文 参考訳（メタデータ） (2021-12-03T07:51:08Z) - 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)
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。