論文の概要: UPHDR-GAN: Generative Adversarial Network for High Dynamic Range Imaging with Unpaired Data

• arxiv url: http://arxiv.org/abs/2102.01850v1
• Date: Wed, 3 Feb 2021 03:09:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-04 17:18:21.117899
• Title: UPHDR-GAN: Generative Adversarial Network for High Dynamic Range Imaging with Unpaired Data
• Title（参考訳）: UPHDR-GAN:不対データを用いた高ダイナミックレンジイメージングのためのジェネレーティブ・アドバーサリー・ネットワーク
• Authors: Ru Li, Chuan Wang, Shuaicheng Liu, Jue Wang, Guanghui Liu, Bing Zeng
• Abstract要約: 本稿では,マルチ露光入力を効果的に融合し,不用意なデータセットを用いて高品質な高ダイナミックレンジ(リバーサ)画像を生成する手法を提案する。 ディープラーニングに基づくHDR画像生成手法は、ペア化されたデータセットに大きく依存する。 Generative Adrial Networks (GAN) は、ペアの例がない状態で、ソースドメインXからターゲットドメインYへの画像変換の可能性を示した。
• 参考スコア（独自算出の注目度）: 42.283022888414656
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The paper proposes a method to effectively fuse multi-exposure inputs and generates high-quality high dynamic range (HDR) images with unpaired datasets. Deep learning-based HDR image generation methods rely heavily on paired datasets. The ground truth provides information for the network getting HDR images without ghosting. Datasets without ground truth are hard to apply to train deep neural networks. Recently, Generative Adversarial Networks (GAN) have demonstrated their potentials of translating images from source domain X to target domain Y in the absence of paired examples. In this paper, we propose a GAN-based network for solving such problems while generating enjoyable HDR results, named UPHDR-GAN. The proposed method relaxes the constraint of paired dataset and learns the mapping from LDR domain to HDR domain. Although the pair data are missing, UPHDR-GAN can properly handle the ghosting artifacts caused by moving objects or misalignments with the help of modified GAN loss, improved discriminator network and useful initialization phase. The proposed method preserves the details of important regions and improves the total image perceptual quality. Qualitative and quantitative comparisons against other methods demonstrated the superiority of our method.
• Abstract（参考訳）: 本稿では,マルチ露光入力を効果的に融合し,未ペアデータセットを用いた高品質高ダイナミックレンジ(HDR)画像を生成する手法を提案する。 ディープラーニングベースのHDR画像生成方法は、ペアデータセットに大きく依存します。 地上の真実は、ゴーストなしでHDR画像を取得するネットワークのための情報を提供します。 根拠のないデータセットは、ディープニューラルネットワークのトレーニングには適用しにくい。 近年、GAN (Generative Adversarial Networks) は、ペアの例がない場合に、ソースドメインXからターゲットドメインYに画像を変換する可能性を実証している。 本稿では,この問題を解決するために,UPHDR-GANという,楽しいHDR結果を生成しながらGANベースのネットワークを提案する。 提案手法は、ペアデータセットの制約を緩和し、LDRドメインからHDRドメインへのマッピングを学ぶ。 ペアデータは欠落していますが、変更されたGAN損失、改善された識別ネットワーク、および有用な初期化フェーズの助けを借りて、オブジェクトまたは不整合の移動によって引き起こされるゴーストアーティファクトを適切に処理できます。 提案手法では,重要領域の詳細を保存し,全体の画像知覚品質を向上させる。 他の方法との質的および定量的比較は、この方法の優位性を示した。

関連論文リスト

• A Cycle Ride to HDR: Semantics Aware Self-Supervised Framework for Unpaired LDR-to-HDR Image Translation [0.0]
  低ダイナミックレンジ(LDR)から高ダイナミックレンジ(High Dynamic Range)への画像変換は重要なコンピュータビジョン問題である。 現在の最先端の手法のほとんどは、モデルトレーニングのための高品質なペアLDR、データセットを必要とする。 本稿では,改良型サイクル整合対向アーキテクチャを提案し,未ペアのLDR,データセットをトレーニングに利用した。
  論文  参考訳（メタデータ） (2024-10-19T11:11:58Z)
• 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)
• Towards High-quality HDR Deghosting with Conditional Diffusion Models [88.83729417524823]
  高ダイナミックレンジ(LDR)画像は、既存のディープニューラルネットワーク(DNN)技術により、複数の低ダイナミックレンジ(LDR)画像から復元することができる。 DNNは、LDR画像が飽和度と大きな動きを持つ場合、ゴーストアーティファクトを生成する。 拡散モデルの条件としてLDR特徴を利用する画像生成としてHDRデゴースト問題を定式化する。
  論文  参考訳（メタデータ） (2023-11-02T01:53:55Z)
• 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)
• A Unified HDR Imaging Method with Pixel and Patch Level [41.14378863436963]
  我々はHyNetと呼ばれるハイブリッドHDRデゴーストネットワークを提案し,HDR画像を生成する。 実験により、HyNetは最先端の手法よりも定量的にも質的にも優れており、統一されたテクスチャと色で魅力的なHDR視覚化を実現している。
  論文  参考訳（メタデータ） (2023-04-14T06:21:57Z)
• SMAE: Few-shot Learning for HDR Deghosting with Saturation-Aware Masked Autoencoders [97.64072440883392]
  そこで本研究では,SSHDRと呼ばれる2段階の訓練を通した短距離HDRイメージングを実現するための,新しい半教師付きアプローチを提案する。 以前の方法とは異なり、コンテンツを直接回復し、ゴーストを同時に除去することは、最適に達成することが難しい。 実験により、SSHDRは異なるデータセットの内外における定量的かつ定性的に最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-04-14T03:42:51Z)
• Ghost-free High Dynamic Range Imaging via Hybrid CNN-Transformer and Structure Tensor [12.167049432063132]
  本稿では,ゴーストフリーなHDR画像を生成するために,畳み込みエンコーダとトランスフォーマーデコーダを組み合わせたハイブリッドモデルを提案する。 エンコーダでは、マルチスケール機能を最適化するために、コンテキスト集約ネットワークと非ローカルアテンションブロックが採用されている。 Swin Transformer に基づくデコーダを用いて,提案モデルの再構成性能を向上させる。
  論文  参考訳（メタデータ） (2022-12-01T15:43:32Z)
• Deep HDR Hallucination for Inverse Tone Mapping [7.310237013012436]
  本研究は,LDR画像の被曝領域から欠落した情報を幻覚するGANに基づく手法を提案する。 これは、よく露出した領域に対して優れたダイナミックレンジ拡張と、飽和した領域と未露出の領域に対するプラウシブル幻覚を提供する。
  論文  参考訳（メタデータ） (2021-06-17T13:35:40Z)
• A Two-stage Deep Network for High Dynamic Range Image Reconstruction [0.883717274344425]
  本研究では,新しい2段階深層ネットワークを提案することにより,シングルショットLDRからHDRマッピングへの課題に取り組む。 提案手法は,カメラ応答機能(CRF)や露光設定など,ハードウェア情報を知ることなくHDR画像の再構築を図ることを目的とする。
  論文  参考訳（メタデータ） (2021-04-19T15:19:17Z)
• HDR-GAN: HDR Image Reconstruction from Multi-Exposed LDR Images with Large Motions [62.44802076971331]
  マルチ露光LDR画像からHDR画像を合成するための新しいGANモデルHDR-GANを提案する。 本手法は,敵対学習を取り入れることで,欠落したコンテンツのある領域に忠実な情報を生成することができる。
  論文  参考訳（メタデータ） (2020-07-03T11:42:35Z)

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。