論文の概要: Illumination Estimation Challenge: experience of past two years

• arxiv url: http://arxiv.org/abs/2012.15779v1
• Date: Thu, 31 Dec 2020 17:59:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-17 21:30:32.841763
• Title: Illumination Estimation Challenge: experience of past two years
• Title（参考訳）: 照明推定チャレンジ:過去2年間の経験
• Authors: Egor Ershov, Alex Savchik, Ilya Semenkov, Nikola Bani\'c, Karlo Koscevi\'c, Marko Suba\v{s}i\'c, Alexander Belokopytov, Zhihao Li, Arseniy Terekhin, Daria Senshina, Artem Nikonorov, Yanlin Qian, Marco Buzzelli, Riccardo Riva, Simone Bianco, Raimondo Schettini, Sven Lon\v{c}ari\'c, Dmitry Nikolaev
• Abstract要約: 第2回照明推定チャレンジ(IEC#2)を行った。 チャレンジには、一般的なもの、屋内のもの、照明が2つあり、それぞれ異なるシーンのパラメーターに焦点を当てていた。 他の主な特徴は、同じカメラセンサーモデルで撮影された画像の新しい大規模なデータセット(約5000)、各画像に付随する手動マークアップ、SpyderCubeキャリブレーションオブジェクトを使用して抽出されたさまざまな照明の下で多くの国で撮影されたシーンの多様なコンテンツ、IEC#1で使用されたCube+データセットからの画像のコンテストのようなマークアップです。
• 参考スコア（独自算出の注目度）: 57.13714732760851
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Illumination estimation is the essential step of computational color constancy, one of the core parts of various image processing pipelines of modern digital cameras. Having an accurate and reliable illumination estimation is important for reducing the illumination influence on the image colors. To motivate the generation of new ideas and the development of new algorithms in this field, the 2nd Illumination estimation challenge~(IEC\#2) was conducted. The main advantage of testing a method on a challenge over testing in on some of the known datasets is the fact that the ground-truth illuminations for the challenge test images are unknown up until the results have been submitted, which prevents any potential hyperparameter tuning that may be biased. The challenge had several tracks: general, indoor, and two-illuminant with each of them focusing on different parameters of the scenes. Other main features of it are a new large dataset of images (about 5000) taken with the same camera sensor model, a manual markup accompanying each image, diverse content with scenes taken in numerous countries under a huge variety of illuminations extracted by using the SpyderCube calibration object, and a contest-like markup for the images from the Cube+ dataset that was used in IEC\#1. This paper focuses on the description of the past two challenges, algorithms which won in each track, and the conclusions that were drawn based on the results obtained during the 1st and 2nd challenge that can be useful for similar future developments.
• Abstract（参考訳）: 照明推定は、現代のデジタルカメラの様々な画像処理パイプラインの中核部分の一つである計算カラーコンステンシーの重要なステップである。 画像色に対する照明効果を低減するためには、高精度で信頼性の高い照明推定が重要である。 この分野での新しいアイデアの生成と新しいアルゴリズムの開発を動機付けるために、第2の照明推定チャレンジ~(IEC\#2)を行った。 既知のデータセットのいくつかでテストするよりも、メソッドをテストすることの主な利点は、結果が提出されるまで、チャレンジテストイメージの真真正な照準が未知であるという事実であり、バイアスを受ける可能性のあるハイパーパラメータチューニングの潜在的な防止である。 チャレンジには、一般的なもの、屋内のもの、照明が2つあり、それぞれ異なるシーンのパラメーターに焦点を当てていた。 その他の主な特徴は、同じカメラセンサーモデルで撮影された新しい画像のデータセット(約5000枚)、各画像に付随する手動のマークアップ、SpyderCubeキャリブレーションオブジェクトを用いて抽出された多種多様な照明の下で多くの国で撮影されたシーンの多様なコンテンツ、IEC\#1で使用されたCube+データセットの画像のコンテストのようなマークアップである。 本稿では,過去2つの課題,各トラックで勝利したアルゴリズム,および類似した将来開発に役立つ第1および第2チャレンジで得られた結果に基づいて得られた結論について述べる。

関連論文リスト

• 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)
• Joint Demosaicing and Denoising with Double Deep Image Priors [5.3686304202729]
  現代のデジタルカメラの処理パイプラインにおいて、RAW画像の復号化と復号化は重要なステップである。 最近のディープ・ニューラル・ネットワークベースのアプローチは、このような課題を緩和するために、共同の解答と妄想の有効性を示している。 本稿では,JDD-DoubleDIPと呼ばれる,RAW画像を直接操作し,トレーニングデータを必要とせずに,新たな共同復調・復調手法を提案する。
  論文  参考訳（メタデータ） (2023-09-18T01:53:10Z)
• Low-Light Image and Video Enhancement: A Comprehensive Survey and Beyond [8.355226305081835]
  本稿では、低照度画像と映像強調に関する総合的な調査を行い、この分野における2つの課題に対処する。 第1の課題は、既存の方法で適切に対処されていない混合オーバー/アンダー露画像の出現率である。 第2の課題は、トレーニングとテストに適した低照度ビデオデータセットの不足である。
  論文  参考訳（メタデータ） (2022-12-21T05:08:37Z)
• Learning Enriched Illuminants for Cross and Single Sensor Color Constancy [182.4997117953705]
  ネットワークをトレーニングするためのクロスセンサ自己教師型トレーニングを提案する。 センサに依存しない方法で人工発光体をランダムにサンプリングすることでネットワークを訓練する。 実験により、我々のクロスセンサモデルとシングルセンサーモデルは、他の最先端手法よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-21T15:45:35Z)
• NTIRE 2021 Depth Guided Image Relighting Challenge [80.4620366794261]
  本稿では NTIRE 2021 depth guided image relighting Challenge について概説する。 私たちは、深度情報を含む2つのチャレンジトラックのそれぞれにVIDITデータセットに依存しています。 登録参加者は250人近くで,最終コンペティションステージには18のチームが参加しています。
  論文  参考訳（メタデータ） (2021-04-27T17:53:32Z)
• The Cube++ Illumination Estimation Dataset [50.58610459038332]
  本稿では,新しい照明推定データセットを提案する。 照明色が既知の4890の画像と、追加のセマンティックデータで構成されている。 データセットは、単一または2つの照度推定を実行するメソッドのトレーニングとテストに使用することができる。
  論文  参考訳（メタデータ） (2020-11-19T18:50:08Z)
• NTIRE 2020 Challenge on Real Image Denoising: Dataset, Methods and Results [181.2861509946241]
  本稿は、新たに導入されたデータセットに焦点をあてて、実画像の復調に関するNTIRE 2020の課題をレビューする。 課題は、SIDDベンチマークに基づく実際の画像のデノゲーションに関する以前のNTIRE 2019チャレンジの新バージョンである。
  論文  参考訳（メタデータ） (2020-05-08T15:46:19Z)

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。