論文の概要: Lighting the Darkness in the Deep Learning Era

• arxiv url: http://arxiv.org/abs/2104.10729v1
• Date: Wed, 21 Apr 2021 19:12:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-23 13:57:37.865884
• Title: Lighting the Darkness in the Deep Learning Era
• Title（参考訳）: 深層学習時代の暗さを照らす
• Authors: Chongyi Li and Chunle Guo and Linghao Han and Jun Jiang and Ming-Ming Cheng and Jinwei Gu and Chen Change Loy
• Abstract要約: 低照度画像強調(LLIE)は、照明の弱い環境で撮影された画像の知覚や解釈性を改善することを目的としている。 この分野における最近の進歩は、ディープラーニングベースのソリューションが支配的です。 アルゴリズム分類から未解決の未解決問題まで,さまざまな側面をカバーする包括的な調査を行う。
• 参考スコア（独自算出の注目度）: 118.35081853500411
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-light image enhancement (LLIE) aims at improving the perception or interpretability of an image captured in an environment with poor illumination. Recent advances in this area are dominated by deep learning-based solutions, where many learning strategies, network structures, loss functions, training data, etc. have been employed. In this paper, we provide a comprehensive survey to cover various aspects ranging from algorithm taxonomy to unsolved open issues. To examine the generalization of existing methods, we propose a large-scale low-light image and video dataset, in which the images and videos are taken by different mobile phones' cameras under diverse illumination conditions. Besides, for the first time, we provide a unified online platform that covers many popular LLIE methods, of which the results can be produced through a user-friendly web interface. In addition to qualitative and quantitative evaluation of existing methods on publicly available and our proposed datasets, we also validate their performance in face detection in the dark. This survey together with the proposed dataset and online platform could serve as a reference source for future study and promote the development of this research field. The proposed platform and the collected methods, datasets, and evaluation metrics are publicly available and will be regularly updated at https://github.com/Li-Chongyi/Lighting-the-Darkness-in-the-Deep-Learning-Era-Open. We will release our low-light image and video dataset.
• Abstract（参考訳）: 低照度画像強調(LLIE)は、照明の弱い環境で撮影された画像の知覚や解釈性を改善することを目的としている。 この領域の最近の進歩は、多くの学習戦略、ネットワーク構造、損失関数、トレーニングデータなど、ディープラーニングベースのソリューションに支配されている。 雇用されています 本稿では,アルゴリズム分類から未解決の未解決問題まで,様々な側面をカバーする包括的な調査を行う。 既存の方法の一般化を検討するため,多彩な照明条件下で異なる携帯電話のカメラで映像や映像を撮影する大規模低照度画像・映像データセットを提案する。 さらに、私たちは初めて、多くの人気のあるllieメソッドをカバーする統一オンラインプラットフォームを提供し、その結果はユーザーフレンドリーなwebインターフェースを通じて作成できます。 公開および提案するデータセットにおける既存手法の質的・定量的評価に加えて,暗闇における顔検出における性能の検証を行った。 本調査は,提案したデータセットおよびオンラインプラットフォームとともに,今後の研究の参考資料として機能し,研究分野の発展を促進する。 提案されているプラットフォームと収集されたメソッド、データセット、評価メトリクスは、https://github.com/Li-Chongyi/Lighting-the-Darkness-in-the-Deep-Learning-Era-Openで定期的に更新される。 低照度画像とビデオデータセットをリリースします。

関連論文リスト

• HUE Dataset: High-Resolution Event and Frame Sequences for Low-Light Vision [16.432164340779266]
  低照度条件下での高分解能イベントとフレームシーケンスのコレクションであるHUEデータセットを紹介する。 私たちのデータセットには、屋内、都市景観、トワイライト、夜、運転、制御されたシナリオを含む106のシーケンスが含まれています。 我々は定性評価と定量的評価の両方を用いて、最先端の低照度化と事象に基づく画像再構成手法を評価する。
  論文  参考訳（メタデータ） (2024-10-24T21:15:15Z)
• Unveiling Deep Shadows: A Survey on Image and Video Shadow Detection, Removal, and Generation in the Era of Deep Learning [81.15890262168449]
  光が障害物に遭遇すると影が形成され、照度が低下する。 コンピュータビジョンにおいて、影の検出、削除、生成はシーン理解の強化、画質の改善、映像編集における視覚的一貫性の確保、仮想環境の改善に不可欠である。 本稿では,過去10年間の深層学習環境における画像や映像の影の検出,削除,生成に関する総合的な調査を行い,課題,深層モデル,データセット,評価指標について紹介する。
  論文  参考訳（メタデータ） (2024-09-03T17:59:05Z)
• BVI-RLV: A Fully Registered Dataset and Benchmarks for Low-Light Video Enhancement [56.97766265018334]
  本稿では,2つの異なる低照度条件下での様々な動きシナリオを持つ40のシーンからなる低照度映像データセットを提案する。 我々は、プログラム可能なモータードリーを用いて、通常の光で捉えた完全に登録された地上真実データを提供し、異なる光レベルにわたるピクセルワイドフレームアライメントのための画像ベースアプローチによりそれを洗練する。 実験の結果,Low-light Video enhancement (LLVE) における完全登録ビデオペアの重要性が示された。
  論文  参考訳（メタデータ） (2024-07-03T22:41:49Z)
• A Comprehensive Survey on Underwater Image Enhancement Based on Deep Learning [51.7818820745221]
  水中画像強調(UIE)はコンピュータビジョン研究において重要な課題である。 多数のUIEアルゴリズムが開発されているにもかかわらず、網羅的で体系的なレビューはいまだに欠落している。
  論文  参考訳（メタデータ） (2024-05-30T04:46:40Z)
• Deep Image Deblurring: A Survey [165.32391279761006]
  低レベルのコンピュータビジョンにおいて、デブロアリングは古典的な問題であり、ぼやけた入力画像からシャープなイメージを復元することを目的としている。 近年のディープラーニングの進歩は、この問題の解決に大きな進歩をもたらした。
  論文  参考訳（メタデータ） (2022-01-26T01:31:30Z)
• NOD: Taking a Closer Look at Detection under Extreme Low-Light Conditions with Night Object Detection Dataset [25.29013780731876]
  低い光は、以前考えられていたよりもマシン認知にとって困難である。 夜間に街路で撮影されたダイナミックなシーンを示す大規模なデータセットを提示する。 本稿では,画像強調モジュールをオブジェクト検出フレームワークと2つの新しいデータ拡張手法に組み込むことを提案する。
  論文  参考訳（メタデータ） (2021-10-20T03:44:04Z)
• Scene Inference for Object Illumination Editing [24.529871334658573]
  IHデータセットと呼ばれる大規模で高品質なデータセットを作成するために,物理ベースのレンダリング手法を適用した。 また,多タスク協調ネットワークである深層学習に基づくSI-GAN法を提案し,オブジェクトの照明を編集する。 提案したSI-GANは,画像ベースのオブジェクト照明編集のための実用的で効果的なソリューションであり,最先端の手法に対する手法の優位性を検証している。
  論文  参考訳（メタデータ） (2021-07-31T05:02:52Z)
• Stereo Matching by Self-supervision of Multiscopic Vision [65.38359887232025]
  カメラ位置の整列で撮影した複数の画像を利用したステレオマッチングのための新しい自己監視フレームワークを提案する。 ネットワークを最適化するために、クロスフォトメトリックロス、不確実性を認識した相互監督損失、および新しい平滑性損失が導入されます。 我々のモデルは、KITTIデータセット上の以前の教師なし手法よりも、より良い不均一性マップを得る。
  論文  参考訳（メタデータ） (2021-04-09T02:58:59Z)
• Multi-Modal Fingerprint Presentation Attack Detection: Evaluation On A New Dataset [9.783887684870654]
  フィンガープリントによるプレゼンテーション攻撃の検出は、ますます困難な問題になりつつある。 本研究は,最近導入された複数のセンサ・モダリティの有用性について考察する。 完全畳み込み型ディープニューラルネットワークフレームワークを用いて包括的解析を行った。
  論文  参考訳（メタデータ） (2020-06-12T22:38:23Z)

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。