論文の概要: HLA-Face: Joint High-Low Adaptation for Low Light Face Detection
- arxiv url: http://arxiv.org/abs/2104.01984v1
- Date: Mon, 5 Apr 2021 16:20:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-06 14:31:41.019837
- Title: HLA-Face: Joint High-Low Adaptation for Low Light Face Detection
- Title(参考訳): HLA-Face:低照度顔検出のための高調波同時適応
- Authors: Wenjing Wang, Wenhan Yang, Jiaying Liu
- Abstract要約: 低照度シナリオでの顔検出は困難だが、監視ビデオや夜間の自律運転など、多くの実用化には不可欠である。
既存の顔検出装置のほとんどは広範なアノテーションに大きく依存しているが、データ収集には時間がかかり、手間がかかる。
我々は、既存の通常の光データを完全に活用し、通常の光から低光への顔検出器の適応方法を探る。
- 参考スコア(独自算出の注目度): 81.27320441104828
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Face detection in low light scenarios is challenging but vital to many
practical applications, e.g., surveillance video, autonomous driving at night.
Most existing face detectors heavily rely on extensive annotations, while
collecting data is time-consuming and laborious. To reduce the burden of
building new datasets for low light conditions, we make full use of existing
normal light data and explore how to adapt face detectors from normal light to
low light. The challenge of this task is that the gap between normal and low
light is too huge and complex for both pixel-level and object-level. Therefore,
most existing low-light enhancement and adaptation methods do not achieve
desirable performance. To address the issue, we propose a joint High-Low
Adaptation (HLA) framework. Through a bidirectional low-level adaptation and
multi-task high-level adaptation scheme, our HLA-Face outperforms
state-of-the-art methods even without using dark face labels for training. Our
project is publicly available at https://daooshee.github.io/HLA-Face-Website/
- Abstract(参考訳): 低照度シナリオでの顔検出は困難だが、監視ビデオや夜間の自律運転など、多くの実用化には不可欠である。
既存の顔検出装置の多くはアノテーションに大きく依存しているが、データ収集には時間と手間がかかる。
低光環境下での新たなデータセット構築の負担を軽減するため、既存の通常の光データを完全に活用し、通常の光から低光への顔検出装置の適応方法を探る。
この課題は、通常の光と低光のギャップが大きすぎて、ピクセルレベルとオブジェクトレベルの両方で複雑すぎることである。
したがって、既存のほとんどの低光度強調・適応法は望ましい性能を得られない。
この問題に対処するため,我々はHLA(High-Low Adaptation)フレームワークを共同で提案する。
HLA-Faceは、双方向の低レベル適応とマルチタスク高レベル適応方式により、トレーニングにダークフェイスラベルを使わずとも最先端の手法より優れる。
私たちのプロジェクトはhttps://daooshee.github.io/HLA-Face-Website/で公開されています。
関連論文リスト
- DiFaReli: Diffusion Face Relighting [13.000032155650835]
野生でのワンビューリライティングに新しいアプローチを提案する。
グローバル照明やキャストシャドーなどの非拡散効果を扱うことは、長い間、顔のリライティングの課題だった。
標準ベンチマークであるMulti-PIE上での最先端性能を実現し,画像の写実的リライトを実現する。
論文 参考訳(メタデータ) (2023-04-19T08:03:20Z) - Ultra-High-Definition Low-Light Image Enhancement: A Benchmark and
Transformer-Based Method [51.30748775681917]
低照度画像強調(LLIE)の課題を考察し,4K解像度と8K解像度の画像からなる大規模データベースを導入する。
我々は、系統的なベンチマーク研究を行い、現在のLLIEアルゴリズムと比較する。
第2のコントリビューションとして,変換器をベースとした低照度化手法であるLLFormerを紹介する。
論文 参考訳(メタデータ) (2022-12-22T09:05:07Z) - Self-Aligned Concave Curve: Illumination Enhancement for Unsupervised
Adaptation [36.050270650417325]
ハイレベルビジョンのための学習可能な照明強調モデルを提案する。
実際のカメラ応答関数にインスパイアされた照明強調関数は凹凸曲線であると仮定する。
我々のモデルアーキテクチャとトレーニングデザインは相互に恩恵を受け、強力な教師なし正規-低照度適応フレームワークを形成する。
論文 参考訳(メタデータ) (2022-10-07T19:32:55Z) - Toward Fast, Flexible, and Robust Low-Light Image Enhancement [87.27326390675155]
我々は、現実の低照度シナリオにおいて、高速でフレキシブルで頑健な鮮明化のための新しい自己校正イルミネーション(SCI)学習フレームワークを開発した。
カスケードパターンの計算負担を考慮すると、各ステージの結果の収束を実現する自己校正モジュールを構築する。
我々は,SCI固有の特性について,操作不感適応性やモデル非関係の一般性を含む包括的探索を行う。
論文 参考訳(メタデータ) (2022-04-21T14:40:32Z) - LEDNet: Joint Low-light Enhancement and Deblurring in the Dark [100.24389251273611]
共同低照度化とデブロアリングのための最初の大規模データセットを提示する。
LOL-Blurは12,000個の低ブルー/ノーマルシャープのペアを含み、異なるシナリオで様々な暗黒と動きのぼかしを持つ。
また,LEDNetと名付けられ,低照度化と劣化を両立させる有効なネットワークを提案する。
論文 参考訳(メタデータ) (2022-02-07T17:44:05Z) - Recurrent Exposure Generation for Low-Light Face Detection [113.25331155337759]
本稿では,Recurrent Exposure Generation (REG) モジュールと Multi-Exposure Detection (MED) モジュールを提案する。
REGは、様々な露光設定に対応する段階的かつ効率的な中間画像を生成する。
このような擬似露光はMEDによって融合され、異なる照明条件で顔を検出する。
論文 参考訳(メタデータ) (2020-07-21T17:30:51Z) - Unsupervised Low-light Image Enhancement with Decoupled Networks [103.74355338972123]
我々は、実世界の低照度画像を教師なしで拡張する2段階のGANベースのフレームワークを学習する。
提案手法は,照度向上と雑音低減の両面から,最先端の教師なし画像強調法より優れる。
論文 参考訳(メタデータ) (2020-05-06T13:37:08Z) - Lane Detection in Low-light Conditions Using an Efficient Data
Enhancement : Light Conditions Style Transfer [25.70636954266299]
低照度環境で画像を生成するためにGAN(Generative Adversarial Networks)を用いたスタイル転送に基づくデータ拡張手法を提案する。
提案手法は, SIM-CycleGAN, ライトコンディション方式のトランスファー, レーン検出ネットワークの3つの部分から構成される。
本手法を用いて学習した車線検出モデルは, 複雑なシナリオにおいて, 低照度条件下での適応性とロバスト性を示した。
論文 参考訳(メタデータ) (2020-02-04T09:14:13Z)
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。