Fugu-MT 論文翻訳(概要): Learning to Enhance Visual Quality via Hyperspectral Domain Mapping

論文の概要: Learning to Enhance Visual Quality via Hyperspectral Domain Mapping

arxiv url: http://arxiv.org/abs/2102.05418v1
Date: Wed, 10 Feb 2021 13:27:34 GMT
ステータス: 処理完了
システム内更新日: 2021-02-11 14:28:56.665604
Title: Learning to Enhance Visual Quality via Hyperspectral Domain Mapping
Title（参考訳）: ハイパースペクトルドメインマッピングによる視覚的品質向上の学習
Authors: Harsh Sinha, Aditya Mehta, Murari Mandal, Pratik Narang
Abstract要約: SpecNetはスペクトルプロファイルを計算し、所定の画像の画素単位のダイナミックレンジ調整を推定する。我々は、RGB画像から可視HSIを推測するために、自己スーパービジョンとスペクトルプロファイル正規化ネットワークを組み込んだ。
参考スコア（独自算出の注目度）: 8.365634649800658
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep learning based methods have achieved remarkable success in image restoration and enhancement, but most such methods rely on RGB input images. These methods fail to take into account the rich spectral distribution of natural images. We propose a deep architecture, SpecNet, which computes spectral profile to estimate pixel-wise dynamic range adjustment of a given image. First, we employ an unpaired cycle-consistent framework to generate hyperspectral images (HSI) from low-light input images. HSI is further used to generate a normal light image of the same scene. We incorporate a self-supervision and a spectral profile regularization network to infer a plausible HSI from an RGB image. We evaluate the benefits of optimizing the spectral profile for real and fake images in low-light conditions on the LOL Dataset.
Abstract（参考訳）: 深層学習に基づく手法は画像復元と拡張において著しく成功したが、ほとんどの手法はrgb入力画像に依存している。これらの手法は、自然画像の豊富なスペクトル分布を考慮に入れない。スペクトルプロファイルを算出し,与えられた画像の画素方向のダイナミックレンジ調整を推定する深層アーキテクチャであるSpecNetを提案する。まず,低照度入力画像からハイパースペクトル画像(hsi)を生成するために,非ペアリングなサイクル一貫性フレームワークを用いる。 HSIは、同じシーンの通常の光画像を生成するためにさらに使用される。 RGB画像から推定可能なHSIを推定するために、自己監督とスペクトルプロファイル正規化ネットワークを組み込む。 LOLデータセットの低照度条件下で、実画像と偽画像のスペクトルプロファイルを最適化する利点を評価する。

関連論文リスト

Contourlet Refinement Gate Framework for Thermal Spectrum Distribution Regularized Infrared Image Super-Resolution [54.293362972473595]
画像超解像(SR)は、高解像度(HR)画像を低解像度(LR)画像から再構成することを目的としている。 SRタスクに対処する現在のアプローチは、RGB画像の特徴を抽出するか、同様の劣化パターンを仮定するものである。スペクトル分布の忠実さを保ちつつ、赤外線変調特性を復元するコントゥーレット改質ゲートフレームワークを提案する。
論文参考訳（メタデータ） (2024-11-19T14:24:03Z)
EigenSR: Eigenimage-Bridged Pre-Trained RGB Learners for Single Hyperspectral Image Super-Resolution [15.459253235077375]
単一ハイパースペクトル画像超解像(単一HSI-SR)は、単一入力低解像度HSIの解像度を改善することを目的としている。データ不足のボトルネックのため、シングルHSI-SRはRGBの自然画像よりもはるかに遅れている。本稿では,まず事前学習したモデルを空間成分で微調整し,次に反復スペクトル正則化を用いて未知のHSIを推論する新しいフレームワークを提案する。
論文参考訳（メタデータ） (2024-09-06T06:46:01Z)
Learning deep illumination-robust features from multispectral filter array images [0.5439020425819]
本稿では, 原画像から直接, 識別的・照明的特徴を学習するための独自のアプローチを提案する。 MS画像分類実験により,本手法は手工芸法と近年の深層学習法の両方に優れることがわかった。
論文参考訳（メタデータ） (2024-07-22T08:35:41Z)
SpectralGPT: Spectral Remote Sensing Foundation Model [60.023956954916414]
SpectralGPTという名前のユニバーサルRS基盤モデルは、新しい3D生成事前学習変換器(GPT)を用いてスペクトルRS画像を処理するために構築されている。既存の基礎モデルと比較して、SpectralGPTは、様々なサイズ、解像度、時系列、領域をプログレッシブトレーニング形式で対応し、広範なRSビッグデータのフル活用を可能にする。我々の評価では、事前訓練されたスペクトルGPTモデルによる顕著な性能向上が強調され、地球科学分野におけるスペクトルRSビッグデータ応用の進展に有意な可能性を示唆している。
論文参考訳（メタデータ） (2023-11-13T07:09:30Z)
Learning to Recover Spectral Reflectance from RGB Images [20.260831758913902]
RGB画像からのスペクトル反射率回復(SRR)は困難で費用がかかる。既存のほとんどのアプローチは、合成画像に基づいて訓練され、見知らぬすべてのテスト画像に同じパラメータを使用する。本稿では,訓練済みのネットワークパラメータを各テスト画像に微調整し,外部情報と内部情報を組み合わせた自己教師付きメタ補助学習(MAXL)戦略を提案する。
論文参考訳（メタデータ） (2023-04-04T23:27:02Z)
Blind deblurring of hyperspectral document images [0.0]
マルチスペクトル(MS)とハイパースペクトル(HS)の画像は、RGB画像よりもはるかにリッチなスペクトル情報を含んでいる。文書化に適した新しいブラインドHS画像デブロアリング手法を提案する。
論文参考訳（メタデータ） (2023-03-09T09:31:13Z)
Semantic-embedded Unsupervised Spectral Reconstruction from Single RGB Images in the Wild [48.44194221801609]
この課題に対処するため、我々は、新しい軽量でエンドツーエンドの学習ベースのフレームワークを提案する。我々は、効率的なカメラスペクトル応答関数推定により、検索されたHS画像から入力されたRGB画像と再投影されたRGB画像の差を徐々に広げる。提案手法は最先端の教師なし手法よりも優れており,いくつかの設定下では最新の教師付き手法よりも優れている。
論文参考訳（メタデータ） (2021-08-15T05:19:44Z)
Deep Amended Gradient Descent for Efficient Spectral Reconstruction from Single RGB Images [42.26124628784883]
本稿では、AGD-Netという、コンパクトで効率的でエンドツーエンドの学習ベースのフレームワークを提案する。まず、古典的勾配降下アルゴリズムに基づいて問題を明示的に定式化する。 AGD-Netは、平均1.0dB以上のリコンストラクション品質を向上させることができる。
論文参考訳（メタデータ） (2021-08-12T05:54:09Z)
Hyperspectral Pansharpening Based on Improved Deep Image Prior and Residual Reconstruction [64.10636296274168]
高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能化近年,深層畳み込みネットワーク(ConvNets)を用いたHSパンシャープ法が注目に値する結果を得た。深層層の増加を抑えることで高レベルの特徴を学習することに焦点を当てた,新しいオーバーコンプリートネットワークHyperKiteを提案する。
論文参考訳（メタデータ） (2021-07-06T14:11:03Z)
Hyperspectral Image Super-resolution via Deep Progressive Zero-centric Residual Learning [62.52242684874278]
空間情報とスペクトル情報の相互モダリティ分布が問題となる。本稿では,PZRes-Netという,新しいテクスライトウェイトなディープニューラルネットワークベースのフレームワークを提案する。本フレームワークは,高分解能かつテクテッセロ中心の残像を学習し,シーンの空間的詳細を高頻度で表現する。
論文参考訳（メタデータ） (2020-06-18T06:32:11Z)
Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral Imagery [79.69449412334188]
本稿では,最先端の残差学習をベースとした単一グレー/RGB画像の超解像化手法について検討する。本稿では,空間情報とハイパースペクトルデータのスペクトル間の相関をフル活用するための空間スペクトル先行ネットワーク(SSPN)を提案する。実験結果から,SSPSR法により高分解能高分解能高分解能画像の詳細が得られた。
論文参考訳（メタデータ） (2020-05-18T14:25:50Z)

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。