論文の概要: Random Shadows and Highlights: A new data augmentation method for extreme lighting conditions

• arxiv url: http://arxiv.org/abs/2101.05361v2
• Date: Mon, 18 Jan 2021 10:38:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 08:34:55.551532
• Title: Random Shadows and Highlights: A new data augmentation method for extreme lighting conditions
• Title（参考訳）: ランダムシャドウとハイライト: 極端照明条件のための新しいデータ拡張法
• Authors: Osama Mazhar and Jens Kober
• Abstract要約: 照明の乱れに対する堅牢性を獲得するための新しいデータ拡張手法であるランダムシャドウとハイライト(RSH)を提案します。 RSHは、ほとんどの視覚関連学習アプリケーションに簡単に統合できるパラメータ学習フリーメソッドです。
• 参考スコア（独自算出の注目度）: 4.492630871726494
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we propose a new data augmentation method, Random Shadows and Highlights (RSH) to acquire robustness against lighting perturbations. Our method creates random shadows and highlights on images, thus challenging the neural network during the learning process such that it acquires immunity against such input corruptions in real world applications. It is a parameter-learning free method which can be integrated into most vision related learning applications effortlessly. With extensive experimentation, we demonstrate that RSH not only increases the robustness of the models against lighting perturbations, but also reduces over-fitting significantly. Thus RSH should be considered essential for all vision related learning systems. Code is available at: https://github.com/OsamaMazhar/Random-Shadows-Highlights.
• Abstract（参考訳）: 本稿では,光の摂動に対するロバスト性を得るために,新しいデータ拡張手法であるランダムシャドウとハイライト(RSH)を提案する。 提案手法はランダムな影と画像のハイライトを生成するため,学習過程においてニューラルネットワークに挑戦し,現実世界のアプリケーションにおける入力汚職に対する免疫を得る。 これはパラメータ学習自由手法であり、ほとんどの視覚関連学習アプリケーションに統合することができる。 広汎な実験により、RSHは照明摂動に対するモデルの堅牢性を高めるだけでなく、過度な適合性を著しく低減することを示した。 したがって、RSHはすべての視覚関連学習システムに不可欠であると考えられるべきである。 コードはhttps://github.com/osamamazhar/random-shadows-highlights。

関連論文リスト

• Zero-Reference Low-Light Enhancement via Physical Quadruple Priors [58.77377454210244]
  本稿では,標準光画像のみをトレーニング可能な,ゼロ参照低光強調フレームワークを提案する。 このフレームワークは、画像にさかのぼる照明不変性を復元し、自動的に低照度化を実現します。
  論文  参考訳（メタデータ） (2024-03-19T17:36:28Z)
• RelightableHands: Efficient Neural Relighting of Articulated Hand Models [46.60594572471557]
  我々は、新しい照明下でリアルタイムにアニメーションできる高忠実度パーソナライズドハンドをレンダリングするための、最初のニューラルリライティング手法を提案する。 本手法では,教師が1点当たりの外観を,ライトステージで撮影した画像から学習する。 教師モデルによって表現されたイメージをトレーニングデータとして利用することにより,学生モデルは自然照度下での外観を直接リアルタイムで予測する。
  論文  参考訳（メタデータ） (2023-02-09T18:59:48Z)
• NoiSER: Noise is All You Need for Enhancing Low-Light Images Without Task-Related Data [103.04999391668753]
  タスク関連のトレーニングデータなしで、低照度画像を拡張できることが示される。 技術的には、アンダーラインノイズと呼ばれる新しい、魔法的で、効果的で効率的な方法を提案する。 我々のNoiSERは、量的および視覚的な結果の観点から、現在のタスク関連データに基づくLLIEモデルと非常に競合しています。
  論文  参考訳（メタデータ） (2022-11-09T06:18:18Z)
• Toward Fast, Flexible, and Robust Low-Light Image Enhancement [87.27326390675155]
  我々は、現実の低照度シナリオにおいて、高速でフレキシブルで頑健な鮮明化のための新しい自己校正イルミネーション(SCI)学習フレームワークを開発した。 カスケードパターンの計算負担を考慮すると、各ステージの結果の収束を実現する自己校正モジュールを構築する。 我々は,SCI固有の特性について,操作不感適応性やモデル非関係の一般性を含む包括的探索を行う。
  論文  参考訳（メタデータ） (2022-04-21T14:40:32Z)
• 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)
• Semantically Contrastive Learning for Low-light Image Enhancement [48.71522073014808]
  低照度画像強調(LLE)は、単一のRGB画像の低コントラストと低可視性の問題が好ましくないため、依然として困難である。 LLE(SCL-LLE)のための効果的な意味論的コントラスト学習パラダイムを提案する。 提案手法は6つの独立したクロスシーンデータセット上で,最先端のLLEモデルを上回る。
  論文  参考訳（メタデータ） (2021-12-13T07:08:33Z)
• Physically Inspired Dense Fusion Networks for Relighting [45.66699760138863]
  物理的洞察でニューラルネットワークを豊かにするモデルを提案する。 2つの異なる戦略により、新しい照明設定でリライト画像を生成します。 提案手法は,よく知られた忠実度指標と知覚的損失の点で,最先端手法を上回ることができることを示す。
  論文  参考訳（メタデータ） (2021-05-05T17:33:45Z)
• 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)
• 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。