Fugu-MT 論文翻訳(概要): Shed Various Lights on a Low-Light Image: Multi-Level Enhancement Guided by Arbitrary References

論文の概要: Shed Various Lights on a Low-Light Image: Multi-Level Enhancement Guided by Arbitrary References

arxiv url: http://arxiv.org/abs/2101.00813v1
Date: Mon, 4 Jan 2021 07:38:51 GMT
ステータス: 処理完了
システム内更新日: 2021-04-11 22:59:05.836651
Title: Shed Various Lights on a Low-Light Image: Multi-Level Enhancement Guided by Arbitrary References
Title（参考訳）: 低照度画像に様々な光を流す: 任意参照による多レベル強調
Authors: Ya'nan Wang, Zhuqing Jiang, Chang Liu, Kai Li, Aidong Men, Haiying Wang
Abstract要約: 本稿では,マルチレベル低光度画像強調のためのニューラルネットワークを提案する。スタイル転送にインスパイアされたこの手法は,潜在空間内の2つの低結合機能コンポーネントにイメージを分解する。このようにして、ネットワークは一連の画像対からシーン不変および明るさ固有情報を抽出することを学ぶ。
参考スコア（独自算出の注目度）: 17.59529931863947
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: It is suggested that low-light image enhancement realizes one-to-many mapping since we have different definitions of NORMAL-light given application scenarios or users' aesthetic. However, most existing methods ignore subjectivity of the task, and simply produce one result with fixed brightness. This paper proposes a neural network for multi-level low-light image enhancement, which is user-friendly to meet various requirements by selecting different images as brightness reference. Inspired by style transfer, our method decomposes an image into two low-coupling feature components in the latent space, which allows the concatenation feasibility of the content components from low-light images and the luminance components from reference images. In such a way, the network learns to extract scene-invariant and brightness-specific information from a set of image pairs instead of learning brightness differences. Moreover, information except for the brightness is preserved to the greatest extent to alleviate color distortion. Extensive results show strong capacity and superiority of our network against existing methods.
Abstract（参考訳）: 低照度画像強調は,アプリケーションシナリオやユーザの審美性によってNORMAL-lightの定義が異なるため,一対多マッピングを実現することが示唆された。しかし、既存の方法の多くは主観性を無視し、特定の明るさで結果を生成する。本稿では,輝度基準として異なる画像を選択することで,様々な要件を満たすことができるマルチレベル低照度画像強調のためのニューラルネットワークを提案する。スタイル転送に触発されて,潜在空間内の2つの低結合特徴成分に分解し,低照度画像からのコンテンツ成分と参照画像からの輝度成分の結合性を実現する。このようにして、ネットワークは、明るさの違いを学習する代わりに、一連の画像ペアからシーン不変および輝度固有情報を抽出する。また、色歪を緩和するために明るさ以外の情報が最大に保存される。その結果,既存手法に対するネットワークの能力と優位性が示された。

関連論文リスト

CodeEnhance: A Codebook-Driven Approach for Low-Light Image Enhancement [97.95330185793358]
低照度画像強調(LLIE)は、低照度画像を改善することを目的としている。既存の手法では、様々な明るさ劣化からの回復の不確実性と、テクスチャと色情報の喪失という2つの課題に直面している。我々は、量子化された先行値と画像の精細化を利用して、新しいエンハンスメント手法、CodeEnhanceを提案する。
論文参考訳（メタデータ） (2024-04-08T07:34:39Z)
You Only Need One Color Space: An Efficient Network for Low-light Image Enhancement [50.37253008333166]
低照度画像強調(LLIE)タスクは、劣化した低照度画像から詳細と視覚情報を復元する傾向がある。水平/垂直インテンシティ(HVI)と呼ばれる新しいトレーニング可能なカラー空間を提案する。輝度と色をRGBチャネルから切り離して、拡張中の不安定性を緩和するだけでなく、トレーニング可能なパラメータによって異なる照明範囲の低照度画像にも適応する。
論文参考訳（メタデータ） (2024-02-08T16:47:43Z)
A Non-Uniform Low-Light Image Enhancement Method with Multi-Scale Attention Transformer and Luminance Consistency Loss [11.585269110131659]
低照度画像強調は、薄暗い環境で収集された画像の知覚を改善することを目的としている。既存の方法では、識別された輝度情報を適応的に抽出することができず、露光過多や露光過多を容易に引き起こすことができる。 MSATrというマルチスケールアテンション変換器を提案し,光バランスの局所的・グローバル的特徴を十分に抽出し,視覚的品質を向上させる。
論文参考訳（メタデータ） (2023-12-27T10:07:11Z)
Diving into Darkness: A Dual-Modulated Framework for High-Fidelity Super-Resolution in Ultra-Dark Environments [51.58771256128329]
本稿では,低照度超解像課題の性質を深く理解しようとする,特殊二変調学習フレームワークを提案する。 Illuminance-Semantic Dual Modulation (ISDM) コンポーネントを開発した。包括的実験は、我々のアプローチが多様で挑戦的な超低照度条件に適用可能であることを示す。
論文参考訳（メタデータ） (2023-09-11T06:55:32Z)
Division Gets Better: Learning Brightness-Aware and Detail-Sensitive Representations for Low-Light Image Enhancement [10.899693396348171]
LCDBNetは、輝度調整ネットワーク(LAN)と色復元ネットワーク(CRN)の2つのブランチで構成されている。 LANは、長距離依存と局所的な注意相関を利用した輝度認識機能を学ぶ責任を負う。 CRNはマルチレベルウェーブレット分解によるディテールセンシティブな特徴の学習に重点を置いている。最後に、融合ネットワークは、学習した特徴をブレンドして視覚的に印象的な画像を生成するように設計されている。
論文参考訳（メタデータ） (2023-07-18T09:52:48Z)
Learning Semantic-Aware Knowledge Guidance for Low-Light Image Enhancement [69.47143451986067]
低照度画像強調法 (LLIE) は、照明の改善方法と正常照度画像の生成方法を検討する。既存の手法の大部分は、異なる領域のセマンティック情報を考慮せずに、グローバルかつ均一な方法で低照度画像を改善する。セマンティックセグメンテーションモデルにカプセル化される多種多様な事前学習において、低照度強化モデルを支援する新しいセマンティック・アウェア・ナレッジ誘導フレームワークを提案する。
論文参考訳（メタデータ） (2023-04-14T10:22:28Z)
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)
Enhance Images as You Like with Unpaired Learning [8.104571453311442]
本稿では,低照度から高照度の画像空間における一対多の関係を学習するために,軽量な一経路条件生成対向ネットワーク(cGAN)を提案する。我々のネットワークは、様々な参照画像上に設定された所定の入力条件から、拡張された画像の集合を生成することを学習する。我々のモデルは、ノイズとクリーンなデータセットの完全な教師付き手法と同等に競合する視覚的および定量的な結果を得る。
論文参考訳（メタデータ） (2021-10-04T03:00:44Z)
MSR-Net: Multi-Scale Relighting Network for One-to-One Relighting [6.544716087553996]
ディープ・イメージ・リライティング(Deep Image relighting)は、人間の努力なしに照明固有のリタッチによって光の強化を可能にする。ライティングで利用可能な既存の一般的なメソッドのほとんどは、実行時の集中度とメモリ非効率である。本稿では,各画像の特徴を異なるスケールで集約するスタックド・ディープ・マルチスケール階層ネットワークを提案する。
論文参考訳（メタデータ） (2021-07-13T14:25:05Z)
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)
Degrade is Upgrade: Learning Degradation for Low-light Image Enhancement [52.49231695707198]
2段階の工程で細部と色を精錬しながら、内在的な劣化と低照度画像を照らし出す。カラー画像の定式化に触発されて,まず低照度入力からの劣化を推定し,環境照明色の歪みをシミュレーションし,そのコンテンツを精錬して拡散照明色の損失を回復した。 LOL1000データセットではPSNRで0.95dB、ExDarkデータセットでは3.18%のmAPでSOTAを上回った。
論文参考訳（メタデータ） (2021-03-19T04:00:27Z)

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。