論文の概要: DSRN: an Efficient Deep Network for Image Relighting
- arxiv url: http://arxiv.org/abs/2102.09242v1
- Date: Thu, 18 Feb 2021 09:54:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-19 14:20:11.036757
- Title: DSRN: an Efficient Deep Network for Image Relighting
- Title（参考訳）: DSRN: イメージリライティングのための効率的なディープネットワーク
- Authors: Sourya Dipta Das, Nisarg A. Shah, Saikat Dutta, Himanshu Kumar
- Abstract要約: 深い画像リライトにより、照明固有のリタッチによる自動写真強化が可能。
本稿では,画像リライトのための効率的なリアルタイムフレームワークであるDeep Stacked Relighting Network (DSRN)を提案する。
我々のモデルは非常に軽量で、総サイズは約42MBで、解像度1024×1024$のイメージに対して平均推定時間は約0.0116sである。
- 参考スコア（独自算出の注目度）: 8.346635942881722
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Custom and natural lighting conditions can be emulated in images of the scene
during post-editing. Extraordinary capabilities of the deep learning framework
can be utilized for such purpose. Deep image relighting allows automatic photo
enhancement by illumination-specific retouching. Most of the state-of-the-art
methods for relighting are run-time intensive and memory inefficient. In this
paper, we propose an efficient, real-time framework Deep Stacked Relighting
Network (DSRN) for image relighting by utilizing the aggregated features from
input image at different scales. Our model is very lightweight with total size
of about 42 MB and has an average inference time of about 0.0116s for image of
resolution $1024 \times 1024$ which is faster as compared to other multi-scale
models. Our solution is quite robust for translating image color temperature
from input image to target image and also performs moderately for light
gradient generation with respect to the target image. Additionally, we show
that if images illuminated from opposite directions are used as input, the
qualitative results improve over using a single input image.
- Abstract（参考訳）: カスタム照明条件と自然照明条件は、編集後のシーンの画像にエミュレートできる。
このような目的のために、ディープラーニングフレームワークの特別な機能を利用することができる。
深い画像リライトにより、照明固有のリタッチによる自動写真強化が可能。
ライティングの最先端の手法のほとんどは、実行時の集中度とメモリ非効率である。
本稿では,入力画像からの集約的特徴を異なるスケールで利用することにより,画像リライトのための効率的なリアルタイムフレームワークDep Stacked Relighting Network (DSRN)を提案する。
我々のモデルは非常に軽量で、総サイズは約42MBで、解像度1024 \times 1024$の画像の平均推論時間は0.0116sであり、他のマルチスケールモデルと比較して高速である。
当社のソリューションは、入力画像からターゲット画像への画像色温度の変換に非常に堅牢であり、ターゲット画像に対する光勾配生成にも適度に機能します。
また、反対方向から照らされた画像を入力として使用する場合、一つの入力画像より質的結果が向上することを示す。
関連論文リスト
- You Only Need One Color Space: An Efficient Network for Low-light Image Enhancement [50.37253008333166]
低照度画像強調(LLIE)タスクは、劣化した低照度画像から詳細と視覚情報を復元する傾向がある。
水平/垂直インテンシティ(HVI)と呼ばれる新しいトレーニング可能なカラー空間を提案する。
輝度と色をRGBチャネルから切り離して、拡張中の不安定性を緩和するだけでなく、トレーニング可能なパラメータによって異なる照明範囲の低照度画像にも適応する。
論文 参考訳（メタデータ） (2024-02-08T16:47:43Z) - A Non-Uniform Low-Light Image Enhancement Method with Multi-Scale
Attention Transformer and Luminance Consistency Loss [11.585269110131659]
低照度画像強調は、薄暗い環境で収集された画像の知覚を改善することを目的としている。
既存の方法では、識別された輝度情報を適応的に抽出することができず、露光過多や露光過多を容易に引き起こすことができる。
MSATrというマルチスケールアテンション変換器を提案し,光バランスの局所的・グローバル的特徴を十分に抽出し,視覚的品質を向上させる。
論文 参考訳（メタデータ） (2023-12-27T10:07:11Z) - Enhancing Low-Light Images Using Infrared-Encoded Images [81.8710581927427]
従来の芸術は、主にピクセルワイド・ロスを用いて可視光スペクトルで捉えた低照度画像に焦点を当てていた。
我々は,赤外線カットオフフィルタを除去することにより,低照度環境下で撮影された画像の可視性を高める新しい手法を提案する。
論文 参考訳（メタデータ） (2023-07-09T08:29:19Z) - 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) - Designing An Illumination-Aware Network for Deep Image Relighting [69.750906769976]
本稿では、階層的なサンプリングから1つの画像からシーンを段階的にリライトするためのガイダンスに従うイルミネーション・アウェア・ネットワーク(IAN)を提案する。
さらに、物理レンダリングプロセスの近似として、イルミネーション・アウェア・残留ブロック(IARB)が設計されている。
実験の結果,提案手法は従来の最先端手法よりも定量的,定性的な照準結果が得られることがわかった。
論文 参考訳（メタデータ） (2022-07-21T16:21:24Z) - Controllable Image Enhancement [66.18525728881711]
いくつかのパラメータを制御して、複数のスタイルで高品質な画像を生成できる半自動画像強調アルゴリズムを提案する。
エンコーダ・デコーダフレームワークは、リタッチスキルを潜在コードにエンコードし、イメージ信号処理機能のパラメータにデコードする。
論文 参考訳（メタデータ） (2022-06-16T23:54:53Z) - 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) - MSR-Net: Multi-Scale Relighting Network for One-to-One Relighting [6.544716087553996]
ディープ・イメージ・リライティング(Deep Image relighting)は、人間の努力なしに照明固有のリタッチによって光の強化を可能にする。
ライティングで利用可能な既存の一般的なメソッドのほとんどは、実行時の集中度とメモリ非効率である。
本稿では,各画像の特徴を異なるスケールで集約するスタックド・ディープ・マルチスケール階層ネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-13T14:25:05Z) - 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) - WDRN : A Wavelet Decomposed RelightNet for Image Relighting [6.731863717520707]
WDRNと呼ばれるウェーブレットを分解した新しいエンコーダ・デコーダネットワークを提案する。
また、基底真理像の異なる方向に沿って照明の勾配を効率よく学習するグレーロスと呼ばれる新しい損失関数を提案する。
論文 参考訳（メタデータ） (2020-09-14T18:23:10Z) - Towards Geometry Guided Neural Relighting with Flash Photography [26.511476565209026]
本稿では,深層学習を用いた深度マップを用いた1枚のフラッシュ写真から画像のリライティングを行うフレームワークを提案する。
本研究は,本質的な画像分解と画像リライティングにおける最先端の画像ベースアプローチに対する幾何学的アプローチの利点を実験的に検証する。
論文 参考訳（メタデータ） (2020-08-12T08:03:28Z)
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。