論文の概要: SID-NISM: A Self-supervised Low-light Image Enhancement Framework

• arxiv url: http://arxiv.org/abs/2012.08707v1
• Date: Wed, 16 Dec 2020 02:33:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-07 02:24:12.213559
• Title: SID-NISM: A Self-supervised Low-light Image Enhancement Framework
• Title（参考訳）: SID-NISM: 自己監督型低光画像強調フレームワーク
• Authors: Lijun Zhang, Xiao Liu, Erik Learned-Miller, Hui Guan
• Abstract要約: 自己監視型低照度画像強調フレームワーク(SID-NISM)を提案する。 SID-NISMは、自己教師付き画像分解ネットワーク(SID-Net)とイルミネーション飽和マッピング機能(NISM)の2つのコンポーネントから構成される。 いくつかの公共の挑戦的な低照度画像データセットの実験では、SID-NISMによって強化された画像がより自然であり、予期しないアーティファクトが少ないことが明らかになった。
• 参考スコア（独自算出の注目度）: 20.792654758645302
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When capturing images in low-light conditions, the images often suffer from low visibility, which not only degrades the visual aesthetics of images, but also significantly degenerates the performance of many computer vision algorithms. In this paper, we propose a self-supervised low-light image enhancement framework (SID-NISM), which consists of two components, a Self-supervised Image Decomposition Network (SID-Net) and a Nonlinear Illumination Saturation Mapping function (NISM). As a self-supervised network, SID-Net could decompose the given low-light image into its reflectance, illumination and noise directly without any prior training or reference image, which distinguishes it from existing supervised-learning methods greatly. Then, the decomposed illumination map will be enhanced by NISM. Having the restored illumination map, the enhancement can be achieved accordingly. Experiments on several public challenging low-light image datasets reveal that the images enhanced by SID-NISM are more natural and have less unexpected artifacts.
• Abstract（参考訳）: 低照度で画像を撮影する場合、画像の視認性が低下し、画像の視覚的な美しさが低下するだけでなく、多くのコンピュータビジョンアルゴリズムの性能が著しく低下する。 本稿では,SID-NISM(Self-supervised Image Decomposition Network)と非線形照明飽和マッピング機能(Nyronic Illumination Saturation Mapping Function,NISM)の2つのコンポーネントからなる,自己監督型低照度画像強調フレームワークを提案する。 自己教師付きネットワークとして、SID-Netは与えられた低照度画像を、事前のトレーニングや参照画像なしで直接反射、照明、ノイズに分解することができる。 すると、分解された照明マップはNISMによって強化される。 復元された照明マップを持つことにより、拡張を達成できる。 SID-NISMによって強化された画像はより自然であり、予期せぬ成果物が少ないことが、いくつかの公的な挑戦的な低照度画像データセットの実験で明らかになった。

関連論文リスト

• Enhancing Low-light Light Field Images with A Deep Compensation Unfolding Network [52.77569396659629]
  本稿では,低光環境下で撮像した光場(LF)画像の復元に,DCUNet(Deep compensation network openfolding)を提案する。 このフレームワークは、中間拡張結果を使用して照明マップを推定し、展開プロセスで新しい拡張結果を生成する。 本稿では,LF画像の特徴を適切に活用するために,擬似明示的特徴相互作用モジュールを提案する。
  論文  参考訳（メタデータ） (2023-08-10T07:53:06Z)
• Unsupervised Low Light Image Enhancement Using SNR-Aware Swin Transformer [0.0]
  低照度画像強調は、明るさとコントラストを改善し、視覚的品質を損なうノイズを減らすことを目的としている。 本稿では,Swin Transformerをベースとしたデュアルブランチネットワークを提案する。
  論文  参考訳（メタデータ） (2023-06-03T11:07:56Z)
• SCRNet: a Retinex Structure-based Low-light Enhancement Model Guided by Spatial Consistency [22.54951703413469]
  本稿では,SCRNet(Spatial Consistency Retinex Network)と呼ばれる,新しい低照度画像強調モデルを提案する。 提案モデルでは, 空間的整合性の原理に着想を得て, チャネルレベル, セマンティックレベル, テクスチャレベルという3つのレベルの整合性を考慮した。 様々な低照度画像データセットに対する広範囲な評価は、提案したSCRNetが既存の最先端手法より優れていることを示している。
  論文  参考訳（メタデータ） (2023-05-14T03:32:19Z)
• Dual Degradation Representation for Joint Deraining and Low-Light Enhancement in the Dark [57.85378202032541]
  暗闇の中での雨は、自律運転や監視システム、夜間写真など、現実世界のアプリケーションをデプロイする上で大きな課題となる。 既存の低照度化や除染法は、低照度を明るくし、同時に雨を取り除くのに苦労する。 L$2$RIRNetと呼ばれるエンド・ツー・エンドのモデルを導入する。
  論文  参考訳（メタデータ） (2023-05-06T10:17:42Z)
• 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)
• 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)
• Neural-PIL: Neural Pre-Integrated Lighting for Reflectance Decomposition [50.94535765549819]
  シーンをその形状、反射率、照明に分解することは、コンピュータビジョンとグラフィックスの基本的な問題である。 形状, BRDF, 画像ごとの照明を推定できる新しい反射率分解ネットワークを提案する。 我々の分解により、BRDFと光の推定がかなり良くなり、より正確なビュー合成とリライトが可能になります。
  論文  参考訳（メタデータ） (2021-10-27T12:17:47Z)
• Self-supervised Low Light Image Enhancement and Denoising [8.583910695494726]
  本稿では,深層学習に基づく自己監視型低照度画像強調法を提案する。 画像コントラストを改善し、ノイズを同時に低減し、プレ/ポストデノーミングによるぼかしを避けることができる。
  論文  参考訳（メタデータ） (2021-03-01T08:05:02Z)
• Recurrent Exposure Generation for Low-Light Face Detection [113.25331155337759]
  本稿では,Recurrent Exposure Generation (REG) モジュールと Multi-Exposure Detection (MED) モジュールを提案する。 REGは、様々な露光設定に対応する段階的かつ効率的な中間画像を生成する。 このような擬似露光はMEDによって融合され、異なる照明条件で顔を検出する。
  論文  参考訳（メタデータ） (2020-07-21T17:30:51Z)
• 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。