論文の概要: A review for Tone-mapping Operators on Wide Dynamic Range Image

• arxiv url: http://arxiv.org/abs/2101.03003v1
• Date: Fri, 8 Jan 2021 13:32:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-10 05:03:18.116958
• Title: A review for Tone-mapping Operators on Wide Dynamic Range Image
• Title（参考訳）: 広ダイナミックレンジ画像を用いたトーンマッピングオペレータの検討
• Authors: Ziyi Liu
• Abstract要約: トーンマッピング(TM)は,通常のスクリーンにワイドダイナミックレンジ(WDR)画像を表示するための重要なステップとなる。 本稿では,tmosを従来型および機械学習に基づくカテゴリに分類した,最もよく知られているtmosの包括的研究を行う。
• 参考スコア（独自算出の注目度）: 3.5915664878491467
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The dynamic range of our normal life can exceeds 120 dB, however, the smart-phone cameras and the conventional digital cameras can only capture a dynamic range of 90 dB, which sometimes leads to loss of details for the recorded image. Now, some professional hardware applications and image fusion algorithms have been devised to take wide dynamic range (WDR), but unfortunately existing devices cannot display WDR image. Tone mapping (TM) thus becomes an essential step for exhibiting WDR image on our ordinary screens, which convert the WDR image into low dynamic range (LDR) image. More and more researchers are focusing on this topic, and give their efforts to design an excellent tone mapping operator (TMO), showing detailed images as the same as the perception that human eyes could receive. Therefore, it is important for us to know the history, development, and trend of TM before proposing a practicable TMO. In this paper, we present a comprehensive study of the most well-known TMOs, which divides TMOs into traditional and machine learning-based category.
• Abstract（参考訳）: 平均寿命のダイナミックレンジは120dbを超えるが、スマートフォンカメラと従来のデジタルカメラは90dbのダイナミックレンジしかキャプチャできないため、記録された画像の詳細が失われることもある。 現在、一部のプロのハードウェアアプリケーションと画像融合アルゴリズムはワイドダイナミックレンジ (WDR) に設計されているが、残念ながら既存のデバイスではWDR画像は表示できない。 トーンマッピング(TM)は,WDR画像を低ダイナミックレンジ(LDR)画像に変換する,通常のスクリーン上にWDR画像を表示するための重要なステップとなる。 この話題に注目する研究者はますます増えており、人間の目が受けることができる知覚と同様の詳細な画像を示す優れたトーンマッピング演算子(TMO)を設計する取り組みを行っている。 したがって,実践可能なTMOを提案する前に,TMの歴史,展開,動向を知ることが重要である。 本稿では,tmosを従来型および機械学習に基づくカテゴリに分類した,最もよく知られているtmosの包括的研究を行う。

関連論文リスト

• TGTM: TinyML-based Global Tone Mapping for HDR Sensors [0.0]
  本稿では,画像ヒストグラムデータに適用した軽量ニューラルネットワークを用いたHDR画像トーンマッピングに着目した。 提案手法はTGTMと呼ばれ,任意の解像度のRGB画像に対して9000FLOPSで動作する。 実験により、TGTMは実際のHDRカメラ画像における最先端の手法よりも、最大5.85dB高いPSNRを桁違いに少ない計算で上回ることを示した。
  論文  参考訳（メタデータ） (2024-05-08T12:32:07Z)
• RS-Mamba for Large Remote Sensing Image Dense Prediction [58.12667617617306]
  本稿では,大規模なVHRリモートセンシング画像における高密度予測タスクに対するリモートセンシング・マンバ(RSM)を提案する。 RSMは、線形複雑度でリモートセンシング画像のグローバルなコンテキストを捉えるように設計されている。 我々のモデルは、大規模なリモートセンシング画像の変換器ベースモデルよりも効率と精度がよい。
  論文  参考訳（メタデータ） (2024-04-03T12:06:01Z)
• Generating Content for HDR Deghosting from Frequency View [56.103761824603644]
  近年の拡散モデル (DM) はHDRイメージング分野に導入されている。 DMは画像全体を推定するために大きなモデルで広範囲の反復を必要とする。 ゴーストフリーHDRイメージングのための低周波数対応拡散(LF-Diff)モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-01T01:32:11Z)
• Self-Supervised High Dynamic Range Imaging with Multi-Exposure Images in Dynamic Scenes [58.66427721308464]
  Selfは、訓練中にダイナミックなマルチ露光画像のみを必要とする自己教師型再構成手法である。 Selfは最先端の自己管理手法に対して優れた結果を出し、教師付き手法に匹敵するパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-10-03T07:10:49Z)
• Lightweight Improved Residual Network for Efficient Inverse Tone Mapping [30.049931061503276]
  インターネット上のほとんどのメディア画像は8ビット標準ダイナミックレンジ(SDR)フォーマットのままである。 逆トーンマッピング(ITM)は、豊富なメディア画像の潜在能力を最大限に活用するために重要である。 我々は,効率的なIMMを実現するために,一般的な残差ブロックのパワーを増強し,軽量な改良された残差ネットワーク(IRNet)を提案する。
  論文  参考訳（メタデータ） (2023-07-08T15:43:49Z)
• 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)
• Towards Efficient and Scale-Robust Ultra-High-Definition Image Demoireing [71.62289021118983]
  本研究では、4Kモアレ画像に対処する効率的なベースラインモデルESDNetを提案する。 我々の手法は、より軽量でありながら、最先端の手法よりも大きなマージンで優れています。
  論文  参考訳（メタデータ） (2022-07-20T14:20:52Z)
• Invertible Tone Mapping with Selectable Styles [19.03179521805971]
  本稿では,マルチ露光HDRを真のLDRに変換する可逆トーンマッピング法を提案する。 我々の可逆LDRは、ユーザが選択したトーンマッピングスタイルの外観を模倣することができる。 アップロードされた画像を再エンコードしたり、フォーマット変換したりできる既存のソーシャルネットワークプラットフォーム上で共有することができる。
  論文  参考訳（メタデータ） (2021-10-09T07:32:36Z)
• Mobile-end Tone Mapping based on Integral Image and Integral Histogram [6.078183247169192]
  広ダイナミックレンジ(WDR)画像トーンマッピングは、フィルム製造、セキュリティ監視、写真撮影など、多くのアプリケーションで高い需要がある。 本稿では,高性能なモバイル用WDR画像トーンマッピングの実装について紹介する。
  論文  参考訳（メタデータ） (2021-02-02T04:01:46Z)
• Replacing Mobile Camera ISP with a Single Deep Learning Model [171.49776472948957]
  PyNETは、きめ細かい画像復元のために設計された新しいピラミッド型CNNアーキテクチャである。 このモデルは、モバイルカメラセンサーから直接得たRAW Bayerデータを、プロのハイエンドDSLRカメラで撮影した写真に変換するように訓練されている。
  論文  参考訳（メタデータ） (2020-02-13T14:22:39Z)

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。