論文の概要: Bridge the Vision Gap from Field to Command: A Deep Learning Network
Enhancing Illumination and Details
- arxiv url: http://arxiv.org/abs/2101.08039v1
- Date: Wed, 20 Jan 2021 09:39:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-22 01:30:45.584578
- Title: Bridge the Vision Gap from Field to Command: A Deep Learning Network
Enhancing Illumination and Details
- Title(参考訳): 視野からコマンドへのビジョンギャップをブリッジする:照度と詳細を取り入れたディープラーニングネットワーク
- Authors: Zhuqing Jiang, Chang Liu, Ya'nan Wang, Kai Li, Aidong Men, Haiying
Wang, Haiyong Luo
- Abstract要約: 我々は,明るさを調整し,細部を同時に強化する2ストリームフレームワークNEIDを提案する。
提案手法は,光強調 (LE), 細粒化 (DR), 特徴拡散 (FF) モジュールの3つの部分から構成される。
- 参考スコア(独自算出の注目度): 17.25188250076639
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the goal of tuning up the brightness, low-light image enhancement enjoys
numerous applications, such as surveillance, remote sensing and computational
photography. Images captured under low-light conditions often suffer from poor
visibility and blur. Solely brightening the dark regions will inevitably
amplify the blur, thus may lead to detail loss. In this paper, we propose a
simple yet effective two-stream framework named NEID to tune up the brightness
and enhance the details simultaneously without introducing many computational
costs. Precisely, the proposed method consists of three parts: Light
Enhancement (LE), Detail Refinement (DR) and Feature Fusing (FF) module, which
can aggregate composite features oriented to multiple tasks based on channel
attention mechanism. Extensive experiments conducted on several benchmark
datasets demonstrate the efficacy of our method and its superiority over
state-of-the-art methods.
- Abstract(参考訳): 明るさを調整することを目的として、低光度画像強調は監視、リモートセンシング、計算写真など多くの応用を享受している。
低照度条件下で撮影された画像は視界が悪く、ぼやけていることが多い。
暗い領域だけを明るくすることは必然的にぼやけを増幅するので、細部が失われる可能性がある。
本稿では,多くの計算コストを伴わずに,明るさを調整し,細部を同時に強化する,シンプルで効果的な2ストリームフレームワークNEIDを提案する。
正確には、提案手法は、光強調(le)、詳細精細(dr)、機能融合(ff)モジュールの3つの部分から構成されている。
いくつかのベンチマークデータセットで行った広範囲な実験により、本手法の有効性と最先端手法に対する優位性が実証された。
関連論文リスト
- Learning to Adapt to Light [14.919947487248653]
LAネットワーク(LA-Net)を用いた光関連画像強調処理のための生物学的に着想を得た手法を提案する。
新しいモジュールは生物学的な視覚適応にインスパイアされ、低周波経路における統一的な光適応を実現する。
低照度向上, 露光補正, トーンマッピングという3つの課題の実験により, 提案手法がほぼ最先端の性能を得ることを示した。
論文 参考訳(メタデータ) (2022-02-16T14:36:25Z) - 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) - Learning Deep Context-Sensitive Decomposition for Low-Light Image
Enhancement [58.72667941107544]
典型的なフレームワークは、照明と反射を同時に推定することであるが、特徴空間にカプセル化されたシーンレベルの文脈情報を無視する。
本研究では,空間スケールにおけるシーンレベルのコンテキスト依存を生かした,コンテキスト依存型分解ネットワークアーキテクチャを提案する。
チャネル数を減らして軽量なCSDNet(LiteCSDNet)を開発する。
論文 参考訳(メタデータ) (2021-12-09T06:25:30Z) - Learning with Nested Scene Modeling and Cooperative Architecture Search
for Low-Light Vision [95.45256938467237]
低照度シーンから撮影された画像は、しばしば深刻な劣化に悩まされる。
低照度画像の視覚的品質を高めるために深層学習法が提案されている。
他の低照度ビジョンアプリケーションを扱うために、これらの拡張テクニックを拡張することは依然として困難である。
論文 参考訳(メタデータ) (2021-12-09T06:08:31Z) - Wild ToFu: Improving Range and Quality of Indirect Time-of-Flight Depth
with RGB Fusion in Challenging Environments [56.306567220448684]
本稿では,ノイズの多い生のI-ToF信号とRGB画像を用いた学習に基づくエンド・ツー・エンドの深度予測ネットワークを提案する。
最終深度マップでは,ベースラインアプローチと比較して40%以上のRMSE改善が見られた。
論文 参考訳(メタデータ) (2021-12-07T15:04:14Z) - Benchmarking Deep Deblurring Algorithms: A Large-Scale Multi-Cause
Dataset and A New Baseline Model [137.53883190367844]
ほとんどの実世界の画像では、ブラーは動きやデフォーカスなど様々な要因によって引き起こされる。
本稿では, 一般のぼやけに対して, 異なる脱臭法がどのように作用するかを考察する。
本稿では,複数の原因のぼかしに対応するために,新たなベースラインモデルであるレベルアテンションデブロアリングネットワークを提案する。
論文 参考訳(メタデータ) (2021-12-01T02:10:42Z) - An Effective Image Restorer: Denoising and Luminance Adjustment for
Low-photon-count Imaging [6.358214877782411]
量子画像センサ(QIS)のイメージングシミュレーションによる低光子数条件下での原像復元
我々は,多層ピラミッド遮音ネットワーク (MPDNet) と輝度調整モジュール (LA) から構成される軽量なフレームワークを開発し,個別の遮音・照度向上を実現する。
画像復元装置は、雑音を抑え、輝度と色を効果的に回復することにより、様々な光子レベルの劣化画像に対して優れた性能が得られる。
論文 参考訳(メタデータ) (2021-10-29T12:16:30Z) - Progressive Joint Low-light Enhancement and Noise Removal for Raw Images [10.778200442212334]
モバイル機器の低照度撮像は、比較的小さな開口部を通過する入射光が不足しているため、通常困難である。
そこで我々は,共同照明調整,色強調,遮音を行う低照度画像処理フレームワークを提案する。
我々のフレームワークは、他のカメラモデルに適応する際に、大量のデータを再構成する必要はない。
論文 参考訳(メタデータ) (2021-06-28T16:43:52Z) - 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) - Improving Aerial Instance Segmentation in the Dark with Self-Supervised
Low Light Enhancement [6.500738558466833]
空中画像の低照度条件は、視覚ベースのアプリケーションの性能に悪影響を及ぼす。
自己監督型で低照度画像を高めることができる新しい手法を提案する。
GANを用いた新しい低照度航空データセットも提案する。
論文 参考訳(メタデータ) (2021-02-10T12:24:40Z) - Shed Various Lights on a Low-Light Image: Multi-Level Enhancement Guided
by Arbitrary References [17.59529931863947]
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。
論文 参考訳(メタデータ) (2021-01-04T07:38:51Z)
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。