論文の概要: HDR Denoising and Deblurring by Learning Spatio-temporal Distortion Models

• arxiv url: http://arxiv.org/abs/2012.12009v3
• Date: Tue, 13 Apr 2021 13:06:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-26 07:22:05.051459
• Title: HDR Denoising and Deblurring by Learning Spatio-temporal Distortion Models
• Title（参考訳）: 時空間歪みモデル学習によるHDRの劣化と劣化
• Authors: U\u{g}ur \c{C}o\u{g}alan, Mojtaba Bemana, Karol Myszkowski, Hans-Peter Seidel, Tobias Ritschel
• Abstract要約: 二重露光センサからシャープでノイズのない高ダイナミックレンジ(ldr)映像を再構成する。 代わりに、相関したピクセルノイズを含むサンプルを生成するclean->distortedという関数を学習する。 私たちのアプローチは、いくつかの強力なベースラインと比較し、データで再トレーニングされた場合、既存のメソッドを増加させます。
• 参考スコア（独自算出の注目度）: 38.541428801503024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We seek to reconstruct sharp and noise-free high-dynamic range (HDR) video from a dual-exposure sensor that records different low-dynamic range (LDR) information in different pixel columns: Odd columns provide low-exposure, sharp, but noisy information; even columns complement this with less noisy, high-exposure, but motion-blurred data. Previous LDR work learns to deblur and denoise (DISTORTED->CLEAN) supervised by pairs of CLEAN and DISTORTED images. Regrettably, capturing DISTORTED sensor readings is time-consuming; as well, there is a lack of CLEAN HDR videos. We suggest a method to overcome those two limitations. First, we learn a different function instead: CLEAN->DISTORTED, which generates samples containing correlated pixel noise, and row and column noise, as well as motion blur from a low number of CLEAN sensor readings. Second, as there is not enough CLEAN HDR video available, we devise a method to learn from LDR video in-stead. Our approach compares favorably to several strong baselines, and can boost existing methods when they are re-trained on our data. Combined with spatial and temporal super-resolution, it enables applications such as re-lighting with low noise or blur.
• Abstract（参考訳）: 我々は、異なる画素列に異なる低ダイナミックレンジ(LDR)情報を記録するデュアル露光センサから、シャープでノイズのない高ダイナミックレンジ(HDR)映像を再構成することを模索している。 以前のldrの研究は、クリーンな画像と歪んだ画像のペアが監督する(distorted->clean)ことを学んでいる。 たしかに、DisTORTEDセンサーの読み取りには時間がかかり、CLEAN HDRビデオも不足している。 この2つの制限を克服する手法を提案する。 まず、CLEAN->DISTORTEDという、相関したピクセルノイズと行と列のノイズを含むサンプルを生成し、CLEANセンサの少ない値から動きのぼけを発生させる機能について学習する。 第2に,CLEAN HDRビデオが不足しているため,代わりにLDRビデオから学習する方法を考案した。 私たちのアプローチは、いくつかの強力なベースラインと比較し、データで再トレーニングされた場合、既存のメソッドを増加させます。 空間的および時間的超解像と組み合わせることで、低ノイズやぼやけたリライトなどの応用が可能になる。

関連論文リスト

• Exposure Completing for Temporally Consistent Neural High Dynamic Range Video Rendering [17.430726543786943]
  本稿では,不在な露光情報を完成させることで,HDRフレームを描画する新しいパラダイムを提案する。 提案手法では, 隣接LDRフレームを時間次元で補間し, 露出の欠如に対してLDRフレームを再構成する。 これにより、HDR結果の融合プロセスの恩恵を受け、ノイズやゴーストを低減し、時間的一貫性を向上させることができる。
  論文  参考訳（メタデータ） (2024-07-18T09:13:08Z)
• HDR-GS: Efficient High Dynamic Range Novel View Synthesis at 1000x Speed via Gaussian Splatting [76.5908492298286]
  既存のHDR NVS法は主にNeRFに基づいている。 訓練時間は長く、推論速度は遅い。 我々は新しいフレームワークHigh Dynamic Range Gaussian Splatting (-GS)を提案する。
  論文  参考訳（メタデータ） (2024-05-24T00:46:58Z)
• Towards High-quality HDR Deghosting with Conditional Diffusion Models [88.83729417524823]
  高ダイナミックレンジ(LDR)画像は、既存のディープニューラルネットワーク(DNN)技術により、複数の低ダイナミックレンジ(LDR)画像から復元することができる。 DNNは、LDR画像が飽和度と大きな動きを持つ場合、ゴーストアーティファクトを生成する。 拡散モデルの条件としてLDR特徴を利用する画像生成としてHDRデゴースト問題を定式化する。
  論文  参考訳（メタデータ） (2023-11-02T01:53:55Z)
• Online Overexposed Pixels Hallucination in Videos with Adaptive Reference Frame Selection [90.35085487641773]
  低ダイナミックレンジ(LDR)カメラは広いダイナミックレンジ入力に対応できず、しばしば局所的な露出問題を引き起こす。 複雑な処理機構を使わずにこれらの成果物を削減できる学習ベースシステムを提案する。
  論文  参考訳（メタデータ） (2023-08-29T17:40:57Z)
• Contrastive Learning for Low-light Raw Denoising [2.929093799984392]
  ノイズの多い画像やクリーンな画像の情報を活用するために,新たにDCR(Denoising contrast regularization)を導入する。 特徴空間では、DCRはクリーンな画像に近づき、ノイズの多い画像から遠く離れている。 さらに、我々はWnetと呼ばれる機能埋め込みネットワークを構築し、このネットワークは高周波情報を抽出するのにより効果的である。
  論文  参考訳（メタデータ） (2023-05-05T08:13:53Z)
• HDR Imaging with Spatially Varying Signal-to-Noise Ratios [15.525314212209564]
  低照度HDRイメージングでは、1つの露光におけるノイズは空間的に変化する。 既存の画像復号化アルゴリズムとHDR融合アルゴリズムはどちらもこの状況に対処できない。 本研究では,空間変化高ダイナミックレンジ(SV-)融合ネットワークと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-03-30T09:32:29Z)
• GlowGAN: Unsupervised Learning of HDR Images from LDR Images in the Wild [74.52723408793648]
  そこで本研究では,HDR画像の生成モデルを構築するための第1の手法について述べる。 鍵となる考え方は、GAN(Generative Adversarial Network)を訓練して、様々な露光下でLDRに投影された場合、実際のLDR画像と区別できないHDR画像を生成することである。 実験の結果,GlowGANはランドスケープ,雷,窓など多くの難題において,光現実的HDR画像を合成できることがわかった。
  論文  参考訳（メタデータ） (2022-11-22T15:42:08Z)
• Self-supervised HDR Imaging from Motion and Exposure Cues [14.57046548797279]
  本稿では,学習可能なHDR推定のための新たな自己教師型アプローチを提案する。 実験の結果,提案手法を用いて訓練したHDRモデルは,全監督下で訓練したモデルと性能の競争力を発揮することがわかった。
  論文  参考訳（メタデータ） (2022-03-23T10:22:03Z)
• A Two-stage Deep Network for High Dynamic Range Image Reconstruction [0.883717274344425]
  本研究では,新しい2段階深層ネットワークを提案することにより,シングルショットLDRからHDRマッピングへの課題に取り組む。 提案手法は,カメラ応答機能(CRF)や露光設定など,ハードウェア情報を知ることなくHDR画像の再構築を図ることを目的とする。
  論文  参考訳（メタデータ） (2021-04-19T15:19:17Z)
• HDR-GAN: HDR Image Reconstruction from Multi-Exposed LDR Images with Large Motions [62.44802076971331]
  マルチ露光LDR画像からHDR画像を合成するための新しいGANモデルHDR-GANを提案する。 本手法は,敵対学習を取り入れることで,欠落したコンテンツのある領域に忠実な情報を生成することができる。
  論文  参考訳（メタデータ） (2020-07-03T11:42:35Z)

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。