論文の概要: NLHD: A Pixel-Level Non-Local Retinex Model for Low-Light Image
Enhancement
- arxiv url: http://arxiv.org/abs/2106.06971v1
- Date: Sun, 13 Jun 2021 11:48:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-15 16:00:59.567267
- Title: NLHD: A Pixel-Level Non-Local Retinex Model for Low-Light Image
Enhancement
- Title（参考訳）: nlhd:低光度画像強調のための画素レベル非局所レチネックスモデル
- Authors: Hou Hao, Hou Yingkun, Shi Yuxuan, Wei Benzheng, Xu Jun
- Abstract要約: 新たな画素レベルの非局所ハール変換を用いた照明・反射率分解法(NLHD)を提案する。
一致した類似画素群における画素の完全類似性と単純な分離可能なハール変換はより適切な画像分解を得るのに役立つ。
ベンチマークデータセットを用いた実験により,提案手法は主観的・客観的評価において,低照度画像強調結果の精度が向上することを示した。
- 参考スコア（独自算出の注目度）: 0.41998444721319217
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Retinex model has been applied to low-light image enhancement in many
existing methods. More appropriate decomposition of a low-light image can help
achieve better image enhancement. In this paper, we propose a new pixel-level
non-local Haar transform based illumination and reflectance decomposition
method (NLHD). The unique low-frequency coefficient of Haar transform on each
similar pixel group is used to reconstruct the illumination component, and the
rest of all high-frequency coefficients are employed to reconstruct the
reflectance component. The complete similarity of pixels in a matched similar
pixel group and the simple separable Haar transform help to obtain more
appropriate image decomposition; thus, the image is hardly sharpened in the
image brightness enhancement procedure. The exponential transform and
logarithmic transform are respectively implemented on the illumination
component. Then a minimum fusion strategy on the results of these two
transforms is utilized to achieve more natural illumination component
enhancement. It can alleviate the mosaic artifacts produced in the darker
regions by the exponential transform with a gamma value less than 1 and reduce
information loss caused by excessive enhancement of the brighter regions due to
the logarithmic transform. Finally, the Retinex model is applied to the
enhanced illumination and reflectance to achieve image enhancement. We also
develop a local noise level estimation based noise suppression method and a
non-local saturation reduction based color deviation correction method. These
two methods can respectively attenuate noise or color deviation usually
presented in the enhanced results of the extremely dark low-light images.
Experiments on benchmark datasets show that the proposed method can achieve
better low-light image enhancement results on subjective and objective
evaluations than most existing methods.
- Abstract（参考訳）: 多くの既存手法で低照度画像強調にレチネックスモデルを適用している。
低照度画像のより適切な分解は、より良い画像強調を実現するのに役立つ。
本稿では,新しい画素レベル非局所ハール変換に基づく照明・反射分解法(nlhd)を提案する。
各類似画素群上のハール変換の特異な低周波係数を用いて照明成分を再構成し、残りの高周波係数を用いて反射率成分を再構成する。
マッチングされた類似画素群における画素の完全類似性と単純な分離可能なhaar変換は、より適切な画像分解を得るのに役立つため、画像輝度向上手順において画像のシャープ化が困難となる。
指数変換と対数変換はそれぞれ照明成分に実装される。
そして、これら2つの変換の結果に対する最小の融合戦略を用いて、より自然な照明成分の強化を実現する。
ガンマ値が1未満の指数変換により暗黒領域で生成されたモザイクアーティファクトを緩和し、対数変換による明るい領域の過剰な強化による情報損失を低減することができる。
最後に、強化された照明と反射率にretinexモデルを適用して画像強調を行う。
また、局所雑音レベル推定に基づく雑音抑圧法と非局所飽和低減に基づく色偏差補正法を開発した。
これらの2つの方法は、極暗い低照度画像の強化結果に通常示されるノイズや色差を減衰させることができる。
ベンチマークデータセットを用いた実験により,提案手法は従来の手法よりも主観的および客観的な評価において,低照度画像強調結果が得られることがわかった。
関連論文リスト
- Reti-Diff: Illumination Degradation Image Restoration with Retinex-based
Latent Diffusion Model [59.08821399652483]
照明劣化画像復元(IDIR)技術は、劣化した画像の視認性を改善し、劣化した照明の悪影響を軽減することを目的としている。
これらのアルゴリズムのうち、拡散モデル(DM)に基づく手法は期待できる性能を示しているが、画像レベルの分布を予測する際に、重い計算要求や画素の不一致の問題に悩まされることが多い。
我々は、コンパクトな潜在空間内でDMを活用して、簡潔な指導先を生成することを提案し、IDIRタスクのためのReti-Diffと呼ばれる新しいソリューションを提案する。
Reti-Diff は Retinex-based Latent DM (RLDM) と Retinex-Guided Transformer (RG) の2つの鍵成分からなる。
論文 参考訳（メタデータ） (2023-11-20T09:55:06Z) - 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) - ITRE: Low-light Image Enhancement Based on Illumination Transmission
Ratio Estimation [10.26197196078661]
ノイズ、アーティファクト、過剰露光は、低照度画像強調の分野において重要な課題である。
モデルの起源からノイズやアーティファクトを抑圧するRetinexベースの新しい手法ITREを提案する。
広汎な実験により, 騒音抑制, アーティファクト防止, 露光量の同時制御におけるアプローチの有効性が示された。
論文 参考訳（メタデータ） (2023-10-08T13:22:20Z) - LLDiffusion: Learning Degradation Representations in Diffusion Models
for Low-Light Image Enhancement [118.83316133601319]
現在の低照度画像強調(LLIE)の深層学習法は、通常、ペア化されたデータから学んだピクセルワイドマッピングに依存している。
本稿では,拡散モデルを用いたLLIEの劣化認識学習手法を提案する。
論文 参考訳（メタデータ） (2023-07-27T07:22:51Z) - 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) - Invertible Network for Unpaired Low-light Image Enhancement [78.33382003460903]
本稿では,非可逆的ネットワークを活用して,前処理における低照度画像の強化と,非対向学習により逆向きに通常の照度画像の劣化を図ることを提案する。
対向的損失に加えて、トレーニングの安定性を確保し、より詳細な画像を保存するために、様々な損失関数を設計する。
低照度画像に対するプログレッシブ自己誘導強調処理を提案し,SOTAに対して良好な性能を示す。
論文 参考訳（メタデータ） (2021-12-24T17:00:54Z) - Intrinsic Image Transfer for Illumination Manipulation [1.2387676601792899]
本稿では,照明操作のための固有画像転送(IIT)アルゴリズムを提案する。
2つの照明面間の局所的な画像変換を生成する。
本報告では,本質的な画像分解を行うことなく,全ての損失を低減できることを示す。
論文 参考訳（メタデータ） (2021-07-01T19:12:24Z) - 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) - Deep Bilateral Retinex for Low-Light Image Enhancement [96.15991198417552]
低照度画像は、低コントラスト、色歪み、測定ノイズによる視界の低下に悩まされる。
本稿では,低照度画像強調のための深層学習手法を提案する。
提案手法は最先端の手法と非常に競合し, 極めて低照度で撮影した画像の処理において, 他に比べて大きな優位性を有する。
論文 参考訳（メタデータ） (2020-07-04T06:26:44Z) - Low-light Image Enhancement Using the Cell Vibration Model [12.400040803969501]
低い光は、画像の品質を低下させ、視覚的なタスクの失敗を引き起こす可能性が非常に高い。
そこで本研究では,新しい低照度画像の輝度向上手法を提案する。
実験の結果,提案アルゴリズムは9つの最先端手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-06-03T13:39:10Z)
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。