論文の概要: Flexible Piecewise Curves Estimation for Photo Enhancement
- arxiv url: http://arxiv.org/abs/2010.13412v1
- Date: Mon, 26 Oct 2020 08:16:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 19:15:00.150621
- Title: Flexible Piecewise Curves Estimation for Photo Enhancement
- Title(参考訳): フォトエンハンスメントのためのフレキシブルピアース曲線推定法
- Authors: Chongyi Li, Chunle Guo, Qiming Ai, Shangchen Zhou, Chen Change Loy
- Abstract要約: FlexiCurveは入力画像を取得し、大域曲線を推定して画像を調整します。
多様な推定と関連する信頼マップを生成するマルチタスクフレームワークとして定式化されている。
高速推論速度(NVIDIA 2080Ti GPUで83FPS)。
- 参考スコア(独自算出の注目度): 85.96031673336012
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a new method, called FlexiCurve, for photo enhancement.
Unlike most existing methods that perform image-to-image mapping, which
requires expensive pixel-wise reconstruction, FlexiCurve takes an input image
and estimates global curves to adjust the image. The adjustment curves are
specially designed for performing piecewise mapping, taking nonlinear
adjustment and differentiability into account. To cope with challenging and
diverse illumination properties in real-world images, FlexiCurve is formulated
as a multi-task framework to produce diverse estimations and the associated
confidence maps. These estimations are adaptively fused to improve local
enhancements of different regions. Thanks to the image-to-curve formulation,
for an image with a size of 512*512*3, FlexiCurve only needs a lightweight
network (150K trainable parameters) and it has a fast inference speed (83FPS on
a single NVIDIA 2080Ti GPU). The proposed method improves efficiency without
compromising the enhancement quality and losing details in the original image.
The method is also appealing as it is not limited to paired training data, thus
it can flexibly learn rich enhancement styles from unpaired data. Extensive
experiments demonstrate that our method achieves state-of-the-art performance
on photo enhancement quantitively and qualitatively.
- Abstract(参考訳): 本稿では,写真強調のためのFlexiCurveという新しい手法を提案する。
画像から画像へのマッピングを行う既存の方法とは異なり、flexicurveは入力画像を取得し、画像を調整するためにグローバルカーブを推定する。
調整曲線は、非線形調整と微分可能性を考慮した分割マッピングを行うために特別に設計されている。
実世界の画像における困難で多様な照明特性に対処するため、flexicurveは多様な推定と関連する信頼マップを生成するマルチタスクフレームワークとして定式化されている。
これらの推定は、異なる領域の局所的な拡張を改善するために適応的に融合される。
画像と曲線の定式化により、サイズ512*512*3のイメージに対して、FlexiCurveは軽量なネットワーク(150Kトレーニング可能なパラメータ)のみを必要とし、高速な推論速度(NVIDIA 2080Ti GPUで83FPS)を持つ。
提案手法は,原画像の画質向上や詳細の喪失を伴わずに効率を向上する。
また、ペア化されたトレーニングデータに制限されないため、不用意なデータからリッチなエンハンスメントスタイルを柔軟に学習することができる。
広範にわたる実験により,本手法が定量的および定性的に写真エンハンスメントの最先端性能を実現することを実証した。
関連論文リスト
- LUT-GCE: Lookup Table Global Curve Estimation for Fast Low-light Image
Enhancement [62.17015413594777]
LUT-GCEという低照度画像強調のための効果的かつ効率的な手法を提案する。
画像全体に対する大域的な曲線を推定し、被曝と過剰露光の両方の補正を可能にする。
我々のアプローチは、特に高精細画像(例えば1080pと4k)において、推論速度の観点から、技術の現状よりも優れています。
論文 参考訳(メタデータ) (2023-06-12T12:53:06Z) - Retinex Image Enhancement Based on Sequential Decomposition With a
Plug-and-Play Framework [16.579397398441102]
画像強調とノイズ除去を同時に行うために,Retinex理論に基づくプラグイン・アンド・プレイ・フレームワークを設計する。
我々のフレームワークは、画像の強調とデノーミングの両面で最先端の手法に勝っている。
論文 参考訳(メタデータ) (2022-10-11T13:29:10Z) - Deep Rotation Correction without Angle Prior [57.76737888499145]
我々は,高コンテンツ忠実度で傾きを自動的に補正する,回転補正という新しい実用的タスクを提案する。
このタスクは画像編集アプリケーションに簡単に統合でき、ユーザーは手動操作なしで回転した画像を修正できる。
我々はニューラルネットワークを利用して、傾斜した画像を知覚的に水平に歪めることができる光学フローを予測する。
論文 参考訳(メタデータ) (2022-07-07T02:46:27Z) - Controllable Image Enhancement [66.18525728881711]
いくつかのパラメータを制御して、複数のスタイルで高品質な画像を生成できる半自動画像強調アルゴリズムを提案する。
エンコーダ・デコーダフレームワークは、リタッチスキルを潜在コードにエンコードし、イメージ信号処理機能のパラメータにデコードする。
論文 参考訳(メタデータ) (2022-06-16T23:54:53Z) - ReLLIE: Deep Reinforcement Learning for Customized Low-Light Image
Enhancement [21.680891925479195]
低照度画像強調(LLIE)は広く普及するが難しい問題である。
本稿では、低照度化をカスタマイズするReLLIEと呼ばれる新しい深層強化学習手法を提案する。
論文 参考訳(メタデータ) (2021-07-13T03:36:30Z) - Learning Deformable Image Registration from Optimization: Perspective,
Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。
我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文 参考訳(メタデータ) (2020-04-30T03:23:45Z) - Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement [156.18634427704583]
本稿では、深部ネットワークを用いた画像特異的曲線推定のタスクとして光強調を定式化するゼロ参照深部曲線推定法(Zero-DCE)を提案する。
提案手法は,DCE-Netという軽量な深層ネットワークをトレーニングし,画像のダイナミックレンジ調整のための画素幅と高次曲線を推定する。
論文 参考訳(メタデータ) (2020-01-19T13:49:15Z)
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。