論文の概要: ADNet: Attention-guided Deformable Convolutional Network for High Dynamic Range Imaging

• arxiv url: http://arxiv.org/abs/2105.10697v1
• Date: Sat, 22 May 2021 11:37:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-25 15:17:15.664041
• Title: ADNet: Attention-guided Deformable Convolutional Network for High Dynamic Range Imaging
• Title（参考訳）: ADNet:高ダイナミックレンジイメージングのための注意誘導変形性畳み込みネットワーク
• Authors: Zhen Liu, Wenjie Lin, Xinpeng Li, Qing Rao, Ting Jiang, Mingyan Han, Haoqiang Fan, Jian Sun, Shuaicheng Liu
• Abstract要約: ハンドヘルド多フレームハイダイナミックレンジ(HDR)イメージングのための注意誘導型変形可能な畳み込みネットワーク(ADNet)を提案する。 この問題は、飽和度とノイズを適切に処理する方法と、物体の動きやカメラのジッタリングによる誤認識にどのように対処するかという難解な2つの課題から成り立っている。 提案したADNetは,従来の手法と比較して最先端性能を示し,PSNR-$l$ 39.4471,PSNR-$mu$ 37.6359 in NTIRE 2021 Multi-Frame HDR Challengeを達成している。
• 参考スコア（独自算出の注目度）: 21.237888314569815
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present an attention-guided deformable convolutional network for hand-held multi-frame high dynamic range (HDR) imaging, namely ADNet. This problem comprises two intractable challenges of how to handle saturation and noise properly and how to tackle misalignments caused by object motion or camera jittering. To address the former, we adopt a spatial attention module to adaptively select the most appropriate regions of various exposure low dynamic range (LDR) images for fusion. For the latter one, we propose to align the gamma-corrected images in the feature-level with a Pyramid, Cascading and Deformable (PCD) alignment module. The proposed ADNet shows state-of-the-art performance compared with previous methods, achieving a PSNR-$l$ of 39.4471 and a PSNR-$\mu$ of 37.6359 in NTIRE 2021 Multi-Frame HDR Challenge.
• Abstract（参考訳）: 本稿では,ハンドヘルド多フレームハイダイナミックレンジ(HDR)イメージングのための注意誘導型変形可能な畳み込みネットワーク,ADNetを提案する。 この問題には、飽和とノイズを適切に処理する方法と、物体の動きやカメラのジッタリングに起因する不一致に対処する方法の2つの難題が含まれている。 前者に対処するために,空間的注意モジュールを採用し,様々な露光低ダイナミックレンジ(ldr)画像の最適領域を適応的に選択する。 後者については,機能レベルでのガンマ補正画像をピラミッド,カスケード,変形可能な(pcd)アライメントモジュールにアライメントすることを提案する。 提案したADNetは、従来の手法と比較して最先端の性能を示し、PSNR-$l$ 39.4471、PSNR-$\mu$ 37.6359 in NTIRE 2021 Multi-Frame HDR Challengeを達成している。

関連論文リスト

• Generating Content for HDR Deghosting from Frequency View [56.103761824603644]
  近年の拡散モデル (DM) はHDRイメージング分野に導入されている。 DMは画像全体を推定するために大きなモデルで広範囲の反復を必要とする。 ゴーストフリーHDRイメージングのための低周波数対応拡散(LF-Diff)モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-01T01:32:11Z)
• HDRTransDC: High Dynamic Range Image Reconstruction with Transformer Deformation Convolution [21.870772317331447]
  高ダイナミックレンジ(CAM)画像は、多露光低ダイナミックレンジ(LDR)画像を融合させることで、現実的な細部を持つ人工物のないHDR画像を生成することを目的としている。 融合歪みの除去を目的としたDWFBを提案する。
  論文  参考訳（メタデータ） (2024-03-11T15:48:17Z)
• Towards High-quality HDR Deghosting with Conditional Diffusion Models [88.83729417524823]
  高ダイナミックレンジ(LDR)画像は、既存のディープニューラルネットワーク(DNN)技術により、複数の低ダイナミックレンジ(LDR)画像から復元することができる。 DNNは、LDR画像が飽和度と大きな動きを持つ場合、ゴーストアーティファクトを生成する。 拡散モデルの条件としてLDR特徴を利用する画像生成としてHDRデゴースト問題を定式化する。
  論文  参考訳（メタデータ） (2023-11-02T01:53:55Z)
• Alignment-free HDR Deghosting with Semantics Consistent Transformer [76.91669741684173]
  高ダイナミックレンジイメージングは、複数の低ダイナミックレンジ入力から情報を取得し、リアルな出力を生成することを目的としている。 既存の手法では、前景やカメラの動きによって引き起こされる入力フレーム間の空間的ずれに焦点を当てることが多い。 本研究では,SCTNet(Semantics Consistent Transformer)を用いたアライメントフリーネットワークを提案する。
  論文  参考訳（メタデータ） (2023-05-29T15:03:23Z)
• SMAE: Few-shot Learning for HDR Deghosting with Saturation-Aware Masked Autoencoders [97.64072440883392]
  そこで本研究では,SSHDRと呼ばれる2段階の訓練を通した短距離HDRイメージングを実現するための,新しい半教師付きアプローチを提案する。 以前の方法とは異なり、コンテンツを直接回復し、ゴーストを同時に除去することは、最適に達成することが難しい。 実験により、SSHDRは異なるデータセットの内外における定量的かつ定性的に最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-04-14T03:42:51Z)
• HDR Imaging with Spatially Varying Signal-to-Noise Ratios [15.525314212209564]
  低照度HDRイメージングでは、1つの露光におけるノイズは空間的に変化する。 既存の画像復号化アルゴリズムとHDR融合アルゴリズムはどちらもこの状況に対処できない。 本研究では,空間変化高ダイナミックレンジ(SV-)融合ネットワークと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-03-30T09:32:29Z)
• Deep Progressive Feature Aggregation Network for High Dynamic Range Imaging [24.94466716276423]
  本研究では,動的シーンにおけるHDR画像の画質向上のための高度な特徴集約ネットワークを提案する。 提案手法は,高対応特徴を暗黙的にサンプリングし,それらを粗い方法で集約してアライメントする。 実験の結果,提案手法は異なるシーン下での最先端性能を実現することができることがわかった。
  論文  参考訳（メタデータ） (2022-08-04T04:37:35Z)
• SJ-HD^2R: Selective Joint High Dynamic Range and Denoising Imaging for Dynamic Scenes [17.867412310873732]
  Ghosting artifacts, Motion blur, Lowfidelity in highlightは、高ダイナミックレンジ(LDR)イメージングにおける主な課題である。 本稿では,2つのサブネットワークを含むHDRとデノナイズパイプラインを提案する。 私たちは、最初の共同HDRとデノナイジングベンチマークデータセットを作成します。
  論文  参考訳（メタデータ） (2022-06-20T07:49:56Z)
• NTIRE 2021 Challenge on High Dynamic Range Imaging: Dataset, Methods and Results [56.932867490888015]
  本稿では,CVPR 2021と共同で開催されているニュートレンド・イメージ・リカバリ・エンハンスメント(NTIRE)ワークショップ(New Trends in Image Restoration and Enhancement, NTIRE)におけるハイダイナミックレンジイメージングの課題について概説する。 この課題は、1つまたは複数の低ダイナミックレンジ(LDR)観測からHDR画像を推定することを目的としている。
  論文  参考訳（メタデータ） (2021-06-02T19:45:16Z)
• Single-Image HDR Reconstruction by Learning to Reverse the Camera Pipeline [100.5353614588565]
  本稿では,LDR画像形成パイプラインの領域知識をモデルに組み込むことを提案する。 我々は,HDRto-LDR画像形成パイプラインを(1)ダイナミックレンジクリッピング,(2)カメラ応答関数からの非線形マッピング,(3)量子化としてモデル化する。 提案手法は,最先端の単一画像HDR再構成アルゴリズムに対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2020-04-02T17:59:04Z)

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。