論文の概要: Multi-scale Self-calibrated Network for Image Light Source Transfer
- arxiv url: http://arxiv.org/abs/2104.08838v1
- Date: Sun, 18 Apr 2021 12:23:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-21 12:06:49.788311
- Title: Multi-scale Self-calibrated Network for Image Light Source Transfer
- Title(参考訳): 画像光源転送のためのマルチスケール自己校正ネットワーク
- Authors: Yuanzhi Wang and Tao Lu and Yanduo Zhang and Yuntao Wu
- Abstract要約: LLSTはシーン再構成、シャドウ推定、イメージ再レンダリングの3つのサブタスクに分解される。
特徴表現をキャリブレーションする新しいダウンサンプリング機能自己キャリブレーションブロック(DFSB)とアップサンプリング機能自己キャリブレーションブロック(UFSB)を提案する。
VIDITデータセットの実験結果から,提案手法はLLSTの性能を著しく向上させることが示された。
- 参考スコア(独自算出の注目度): 6.756499794542229
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Image light source transfer (LLST), as the most challenging task in the
domain of image relighting, has attracted extensive attention in recent years.
In the latest research, LLST is decomposed three sub-tasks: scene reconversion,
shadow estimation, and image re-rendering, which provides a new paradigm for
image relighting. However, many problems for scene reconversion and shadow
estimation tasks, including uncalibrated feature information and poor semantic
information, are still unresolved, thereby resulting in insufficient feature
representation. In this paper, we propose novel down-sampling feature
self-calibrated block (DFSB) and up-sampling feature self-calibrated block
(UFSB) as the basic blocks of feature encoder and decoder to calibrate feature
representation iteratively because the LLST is similar to the recalibration of
image light source. In addition, we fuse the multi-scale features of the
decoder in scene reconversion task to further explore and exploit more semantic
information, thereby providing more accurate primary scene structure for image
re-rendering. Experimental results in the VIDIT dataset show that the proposed
approach significantly improves the performance for LLST.
- Abstract(参考訳): image light source transfer (llst)は、画像のリライトの分野で最も難しいタスクであり、近年、注目を集めている。
最新の研究で、LLSTはシーン再構成、影の推定、イメージ再レンダリングという3つのサブタスクを分解し、画像リライトの新しいパラダイムを提供する。
しかし,未分類の特徴情報やセマンティック情報の不足など,シーン再構成や影推定の課題の多くは未解決のままであり,特徴表現が不十分である。
本稿では,特徴エンコーダとデコーダの基本ブロックとしてdfsb(down-sampling feature self-calibrated block)とufsb(up-sampling feature self-calibrated block)を提案する。
さらに,シーン再変換タスクにおけるデコーダのマルチスケールな特徴を融合させ,さらに意味情報の探索と活用を行い,画像再レンダリングのためのより正確な一次シーン構造を提供する。
VIDITデータセットの実験結果から,提案手法はLLSTの性能を著しく向上させることが示された。
関連論文リスト
- CodeEnhance: A Codebook-Driven Approach for Low-Light Image Enhancement [97.95330185793358]
低照度画像強調(LLIE)は、低照度画像を改善することを目的としている。
既存の手法では、様々な明るさ劣化からの回復の不確実性と、テクスチャと色情報の喪失という2つの課題に直面している。
我々は、量子化された先行値と画像の精細化を利用して、新しいエンハンスメント手法、CodeEnhanceを提案する。
論文 参考訳(メタデータ) (2024-04-08T07:34:39Z) - LIR: A Lightweight Baseline for Image Restoration [4.187190284830909]
画像復元作業の本質的な特徴は、多くの作品で見落とされがちである。
LIRと呼ばれる画像復元のための軽量ベースラインネットワークを提案し、画像の効率よく復元し、劣化を除去する。
我々のLIRは、Pak Signal-to-Noise Ratio (PSNR)における最先端構造類似度指標(SSIM)および最先端モデルに匹敵する性能を達成する。
論文 参考訳(メタデータ) (2024-02-02T12:39:47Z) - 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) - A Feature Reuse Framework with Texture-adaptive Aggregation for
Reference-based Super-Resolution [29.57364804554312]
参照ベース超解像(RefSR)は超解像の分野で大きな成功を収めている。
本稿では,ステップバイステップのテクスチャ再構築プロセスをガイドする機能再利用フレームワークを提案する。
単一画像特徴埋め込みモジュールとテクスチャ適応アグリゲーションモジュールを導入する。
論文 参考訳(メタデータ) (2023-06-02T12:49:22Z) - Gated Multi-Resolution Transfer Network for Burst Restoration and
Enhancement [75.25451566988565]
低画質の原画像のバーストから空間的精度の高い高画質画像を再構成する新しいGated Multi-Resolution Transfer Network (GMTNet)を提案する。
5つのデータセットに関する詳細な実験分析は、我々のアプローチを検証し、バースト超解像、バーストデノイング、低照度バーストエンハンスメントのための最先端技術を設定する。
論文 参考訳(メタデータ) (2023-04-13T17:54:00Z) - Reference-based Image Super-Resolution with Deformable Attention
Transformer [62.71769634254654]
RefSRは、補助参照(Ref)画像を超解像低解像度(LR)画像に活用することを目的としている。
本稿では,複数のスケールを持つ変形可能なアテンション変換器,すなわちDATSRを提案する。
DATSRがベンチマークデータセット上で最先端のパフォーマンスを達成することを示す実験を行った。
論文 参考訳(メタデータ) (2022-07-25T07:07:00Z) - Hierarchical Similarity Learning for Aliasing Suppression Image
Super-Resolution [64.15915577164894]
エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。
HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
論文 参考訳(メタデータ) (2022-06-07T14:55:32Z) - SVBRDF Recovery From a Single Image With Highlights using a Pretrained
Generative Adversarial Network [25.14140648820334]
本稿では,教師なし生成逆向ニューラルネットワーク(GAN)を用いて,SVBRDFsマップを入力として復元する。
SVBRDFを初期化するために訓練されたモデルを再利用し、入力画像に基づいて微調整する。
提案手法は,1枚の入力画像から高品質なSVBRDFマップを生成し,従来よりも鮮明なレンダリング結果を提供する。
論文 参考訳(メタデータ) (2021-10-29T10:39:06Z) - Degrade is Upgrade: Learning Degradation for Low-light Image Enhancement [52.49231695707198]
2段階の工程で細部と色を精錬しながら、内在的な劣化と低照度画像を照らし出す。
カラー画像の定式化に触発されて,まず低照度入力からの劣化を推定し,環境照明色の歪みをシミュレーションし,そのコンテンツを精錬して拡散照明色の損失を回復した。
LOL1000データセットではPSNRで0.95dB、ExDarkデータセットでは3.18%のmAPでSOTAを上回った。
論文 参考訳(メタデータ) (2021-03-19T04:00:27Z)
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。