論文の概要: CEL-Net: Continuous Exposure for Extreme Low-Light Imaging

• arxiv url: http://arxiv.org/abs/2012.04112v1
• Date: Mon, 7 Dec 2020 23:31:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-18 05:13:49.138354
• Title: CEL-Net: Continuous Exposure for Extreme Low-Light Imaging
• Title（参考訳）: CEL-Net:極低照度イメージングのための連続露光
• Authors: Michael Klyuchka, Evgeny Hershkovitch Neiterman, Gil Ben-Artzi
• Abstract要約: 屋外と屋内の両方のシーンで撮影した1500の生画像のデータセットを紹介します。 我々は、画像の入力や出力の露出レベルを目に見えないものに連続的に調整できる極低照度画像のモデルを開発する。
• 参考スコア（独自算出の注目度）: 3.222802562733786
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning methods for enhancing dark images learn a mapping from input images to output images with pre-determined discrete exposure levels. Often, at inference time the input and optimal output exposure levels of the given image are different from the seen ones during training. As a result the enhanced image might suffer from visual distortions, such as low contrast or dark areas. We address this issue by introducing a deep learning model that can continuously generalize at inference time to unseen exposure levels without the need to retrain the model. To this end, we introduce a dataset of 1500 raw images captured in both outdoor and indoor scenes, with five different exposure levels and various camera parameters. Using the dataset, we develop a model for extreme low-light imaging that can continuously tune the input or output exposure level of the image to an unseen one. We investigate the properties of our model and validate its performance, showing promising results.
• Abstract（参考訳）: 暗黒画像の強化のための深層学習方法は、予め決定された離散露光レベルの入力画像から出力画像へのマッピングを学ぶ。 しばしば、推論時において、与えられた画像の入力および最適出力露光レベルは、トレーニング中に見たものと異なる。 その結果、強調画像は低コントラストや暗い領域などの視覚歪みに悩まされる可能性がある。 本稿では,モデルの再トレーニングを必要とせずに,推論時に連続的に露出レベルに一般化できるディープラーニングモデルを導入することで,この問題に対処する。 そこで本研究では,5種類の露光レベルと各種カメラパラメータを用いて,屋外と屋内の両方で撮影された1500枚のraw画像のデータセットを紹介する。 このデータセットを用いて、画像の入出力レベルを目に見えないものに連続的に調整できる極低照度画像のモデルを開発する。 本モデルの特性を調査し,その性能を検証し,有望な結果を得た。

関連論文リスト

• Semi-LLIE: Semi-supervised Contrastive Learning with Mamba-based Low-light Image Enhancement [59.17372460692809]
  本研究は、平均教師による半教師付き低照度強化(Semi-LLIE)フレームワークを提案する。 照度分布を忠実に伝達するために、意味認識によるコントラスト損失を導入し、自然色による画像の強調に寄与する。 また,大規模な視覚言語認識モデル(RAM)に基づく新たな知覚損失を提案し,よりリッチなテキストによる画像生成を支援する。
  論文  参考訳（メタデータ） (2024-09-25T04:05:32Z)
• Exposure Bracketing is All You Need for Unifying Image Restoration and Enhancement Tasks [50.822601495422916]
  本稿では,露光ブラケット写真を利用して画像復元と拡張作業を統合することを提案する。 実世界のペアの収集が困難であるため,まず合成ペアデータを用いてモデルを事前学習する手法を提案する。 特に,時間変調リカレントネットワーク(TMRNet)と自己教師あり適応手法を提案する。
  論文  参考訳（メタデータ） (2024-01-01T14:14:35Z)
• Dimma: Semi-supervised Low Light Image Enhancement with Adaptive Dimming [0.728258471592763]
  自然色を維持しながら低照度画像を強調することは、カメラ処理のバリエーションによって難しい問題である。 そこで我々はDimmaを提案する。Dimmaは、画像対の小さなセットを利用して、任意のカメラと整合する半教師付きアプローチである。 そこで我々は,照明の違いに基づいて,シーンの歪み色を生成する畳み込み混合密度ネットワークを導入することで実現した。
  論文  参考訳（メタデータ） (2023-10-14T17:59:46Z)
• CuDi: Curve Distillation for Efficient and Controllable Exposure Adjustment [86.97592472794724]
  そこで我々は, 対や不対のデータを必要とせず, 効率よくかつ制御可能な露光調整のためのCuDi曲線蒸留法を提案する。 提案手法は,ゼロ参照学習と曲線ベースのフレームワークを,実効的な低照度画像強調手法であるゼロDCEから継承する。 提案手法は, 高速で頑健でフレキシブルな性能に優れ, 実シーンにおける最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-07-28T17:53:46Z)
• 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)
• 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)
• Extreme Low-Light Imaging with Multi-granulation Cooperative Networks [18.438827277749525]
  低照度画像は、信号対雑音比の低さ、複雑な画像内容、および極低照度の撮影シーンの多様性により、暗くノイズのように見えるため、低照度画像は困難である。 極低照度条件下での撮像品質向上のための多くの手法が提案されているが、良好な結果を得ることは困難である。
  論文  参考訳（メタデータ） (2020-05-16T14:26:06Z)
• 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)
• Learning an Adaptive Model for Extreme Low-light Raw Image Processing [5.706764509663774]
  画質向上のための適応型低照度生画像強調ネットワークを提案する。 提案手法は、最先端の低照度アルゴリズムと比較してノイズレベル推定(NLE)のスコアが低い。 ビデオ処理における潜在的な応用について概説する。
  論文  参考訳（メタデータ） (2020-04-22T09:01:07Z)

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。