論文の概要: Self-supervised Low Light Image Enhancement and Denoising
- arxiv url: http://arxiv.org/abs/2103.00832v1
- Date: Mon, 1 Mar 2021 08:05:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-03 16:37:15.034988
- Title: Self-supervised Low Light Image Enhancement and Denoising
- Title（参考訳）: 自己監督型低照度画像強調とデノナイジング
- Authors: Yu Zhang and Xiaoguang Di and Bin Zhang and Qingyan Li and Shiyu Yan
and Chunhui Wang
- Abstract要約: 本稿では,深層学習に基づく自己監視型低照度画像強調法を提案する。
画像コントラストを改善し、ノイズを同時に低減し、プレ/ポストデノーミングによるぼかしを避けることができる。
- 参考スコア（独自算出の注目度）: 8.583910695494726
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes a self-supervised low light image enhancement method
based on deep learning, which can improve the image contrast and reduce noise
at the same time to avoid the blur caused by pre-/post-denoising. The method
contains two deep sub-networks, an Image Contrast Enhancement Network (ICE-Net)
and a Re-Enhancement and Denoising Network (RED-Net). The ICE-Net takes the low
light image as input and produces a contrast enhanced image. The RED-Net takes
the result of ICE-Net and the low light image as input, and can re-enhance the
low light image and denoise at the same time. Both of the networks can be
trained with low light images only, which is achieved by a Maximum Entropy
based Retinex (ME-Retinex) model and an assumption that noises are
independently distributed. In the ME-Retinex model, a new constraint on the
reflectance image is introduced that the maximum channel of the reflectance
image conforms to the maximum channel of the low light image and its entropy
should be the largest, which converts the decomposition of reflectance and
illumination in Retinex model to a non-ill-conditioned problem and allows the
ICE-Net to be trained with a self-supervised way. The loss functions of RED-Net
are carefully formulated to separate the noises and details during training,
and they are based on the idea that, if noises are independently distributed,
after the processing of smoothing filters (\eg mean filter), the gradient of
the noise part should be smaller than the gradient of the detail part. It can
be proved qualitatively and quantitatively through experiments that the
proposed method is efficient.
- Abstract（参考訳）: 本論文では, 画像コントラストの改善とノイズ低減を同時に実現し, プリデノイジング/ポストデノイジングによるブレを回避する, 深層学習に基づく自己監視型低照度画像強調法を提案する。
この方法は、イメージコントラスト強化ネットワーク(ICE-Net)と再エンハンスメントおよびデノイジングネットワーク(RED-Net)の2つの深いサブネットワークを含む。
ICE-Netは低照度画像を入力としてコントラスト強調画像を生成する。
RED-NetはICE-Netと低光画像の結果を入力として取り、低光画像の再強調とデノネーズを同時に行うことができる。
どちらのネットワークも低光画像のみでトレーニングすることができ、これは最大エントロピーベースレチネックス(ME-Retinex)モデルとノイズが独立に分散しているという仮定によって達成される。
me-retinexモデルでは、反射率画像の最大チャンネルが低光度画像の最大チャンネルに合致し、エントロピーが最大となるように反射率画像に対する新たな制約を導入し、反射率モデルの反射率と照明の分解を非無条件問題に変換し、アイスネットを自己教師ありの方法で訓練できるようにする。
RED-Netの損失関数は、トレーニング中にノイズとディテールを分離するために慎重に策定されており、ノイズが独立して分散されている場合、スムージングフィルタ(リーガ平均フィルタ)の処理後、ノイズ部の勾配はディテール部のグラデーションよりも小さくなければならないという考えに基づいています。
提案手法が効率的であることを実験により定性的かつ定量的に証明することができる。
関連論文リスト
- Unsupervised Low-light Image Enhancement with Lookup Tables and Diffusion Priors [38.96909959677438]
低照度画像強調(LIE)は、低照度環境において劣化した画像を高精度かつ効率的に回収することを目的としている。
近年の先進的なLIE技術は、多くの低正規の光画像対、ネットワークパラメータ、計算資源を必要とするディープニューラルネットワークを使用している。
拡散先行とルックアップテーブルに基づく新しい非教師付きLIEフレームワークを考案し,低照度画像の効率的な回復を実現する。
論文 参考訳（メタデータ） (2024-09-27T16:37:27Z) - Retinex-RAWMamba: Bridging Demosaicing and Denoising for Low-Light RAW Image Enhancement [71.13353154514418]
低照度画像の強化、特に生ドメインからsRGBドメインへのマッピングのようなクロスドメインタスクは、依然として大きな課題である。
RAWMambaと呼ばれる新しいMambaスキャニング機構を提案する。
また,Retinex の先行したRetinex Decomposition Module (RDM) も提案する。
論文 参考訳（メタデータ） (2024-09-11T06:12:03Z) - LDM-ISP: Enhancing Neural ISP for Low Light with Latent Diffusion Models [54.93010869546011]
本稿では,事前学習した潜伏拡散モデルを用いて,超低照度画像の高精細化のためのニューラルISPを実現することを提案する。
具体的には、RAWドメイン上で動作するために事前訓練された潜在拡散モデルを調整するために、軽量なテーミングモジュールのセットをトレーニングする。
遅延拡散モデルにおけるUNet復調と復号化の異なる役割を観察し、低照度画像強調タスクを遅延空間低周波コンテンツ生成と復号位相高周波ディテール保守に分解するきっかけとなる。
論文 参考訳（メタデータ） (2023-12-02T04:31:51Z) - Zero-Shot Enhancement of Low-Light Image Based on Retinex Decomposition [4.175396687130961]
本稿ではZERRINNetと呼ばれるゼロショット低照度化手法の学習に基づくRetinex分解を提案する。
本手法は,ペアとアンペアのデータセットのトレーニングデータの影響を受けないゼロ参照拡張手法である。
論文 参考訳（メタデータ） (2023-11-06T09:57:48Z) - Enhancing Low-light Light Field Images with A Deep Compensation Unfolding Network [52.77569396659629]
本稿では,低光環境下で撮像した光場(LF)画像の復元に,DCUNet(Deep compensation network openfolding)を提案する。
このフレームワークは、中間拡張結果を使用して照明マップを推定し、展開プロセスで新しい拡張結果を生成する。
本稿では,LF画像の特徴を適切に活用するために,擬似明示的特徴相互作用モジュールを提案する。
論文 参考訳（メタデータ） (2023-08-10T07:53:06Z) - 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) - Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。
これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。
まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。
次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
論文 参考訳（メタデータ） (2023-05-17T13:56:48Z) - Cycle-Interactive Generative Adversarial Network for Robust Unsupervised
Low-Light Enhancement [109.335317310485]
CIGAN(Cycle-Interactive Generative Adversarial Network)は、低照度画像間の照明分布の転送を改善できるだけでなく、詳細な信号も操作できる。
特に、提案した低照度誘導変換は、低照度GAN生成器から劣化GAN生成器へ、低照度画像の特徴をフォワードする。
論文 参考訳（メタデータ） (2022-07-03T06:37:46Z) - 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) - BLNet: A Fast Deep Learning Framework for Low-Light Image Enhancement
with Noise Removal and Color Restoration [14.75902042351609]
我々は、Bringing the Lightness(BLNet)と呼ばれる非常に高速なディープラーニングフレームワークを提案する。
Retinex Theoryに基づいて、我々のモデルにおける分解ネットは、低照度画像を反射率と照明に分解することができる。
提案手法は, 良好なルバスト性および一般化によって有望な効果を発揮することを示すため, 広範囲な実験を行った。
論文 参考訳（メタデータ） (2021-06-30T10:06:16Z) - Learning an Adaptive Model for Extreme Low-light Raw Image Processing [5.706764509663774]
画質向上のための適応型低照度生画像強調ネットワークを提案する。
提案手法は、最先端の低照度アルゴリズムと比較してノイズレベル推定(NLE)のスコアが低い。
ビデオ処理における潜在的な応用について概説する。
論文 参考訳（メタデータ） (2020-04-22T09:01:07Z)
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。