論文の概要: Deep HDR Hallucination for Inverse Tone Mapping

• arxiv url: http://arxiv.org/abs/2106.09486v1
• Date: Thu, 17 Jun 2021 13:35:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-18 15:42:47.568208
• Title: Deep HDR Hallucination for Inverse Tone Mapping
• Title（参考訳）: 逆トーンマッピングのための深部HDR幻覚
• Authors: Demetris Marnerides, Thomas Bashford-Rogers, Kurt Debattista
• Abstract要約: 本研究は,LDR画像の被曝領域から欠落した情報を幻覚するGANに基づく手法を提案する。 これは、よく露出した領域に対して優れたダイナミックレンジ拡張と、飽和した領域と未露出の領域に対するプラウシブル幻覚を提供する。
• 参考スコア（独自算出の注目度）: 7.310237013012436
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Inverse Tone Mapping (ITM) methods attempt to reconstruct High Dynamic Range (HDR) information from Low Dynamic Range (LDR) image content. The dynamic range of well-exposed areas must be expanded and any missing information due to over/under-exposure must be recovered (hallucinated). The majority of methods focus on the former and are relatively successful, while most attempts on the latter are not of sufficient quality, even ones based on Convolutional Neural Networks (CNNs). A major factor for the reduced inpainting quality in some works is the choice of loss function. Work based on Generative Adversarial Networks (GANs) shows promising results for image synthesis and LDR inpainting, suggesting that GAN losses can improve inverse tone mapping results. This work presents a GAN-based method that hallucinates missing information from badly exposed areas in LDR images and compares its efficacy with alternative variations. The proposed method is quantitatively competitive with state-of-the-art inverse tone mapping methods, providing good dynamic range expansion for well-exposed areas and plausible hallucinations for saturated and under-exposed areas. A density-based normalisation method, targeted for HDR content, is also proposed, as well as an HDR data augmentation method targeted for HDR hallucination.
• Abstract（参考訳）: 逆トーンマッピング(ITM)法は,低ダイナミックレンジ(LDR)画像から高ダイナミックレンジ(HDR)情報を再構成しようとする。 露光領域のダイナミックレンジを拡大し、露光過誤による情報の欠落を回収しなければならない(幻覚)。 たいていの手法は前者に焦点を当て、比較的成功したが、後者に対する試みは、畳み込みニューラルネットワーク(CNN)に基づくものでさえ、十分な品質を持っていない。 いくつかの作品における塗装品質の低下の主な要因は、損失関数の選択である。 GAN(Generative Adversarial Networks)に基づく研究は、画像合成とLDR塗装の有望な結果を示し、GAN損失が逆トーンマッピングの結果を改善することを示唆している。 本研究は,LDR画像の被曝領域から欠落した情報を幻覚し,その効果を代替のバリエーションと比較する。 提案手法は, 最先端の逆トーンマッピング法と定量的に競合し, 良好な露光領域に対するダイナミックレンジ展開と飽和領域および未露光領域に対する妥当な幻覚を与える。 また,HDRコンテンツを対象とする密度ベース正規化法や,HDR幻覚を対象とするHDRデータ拡張法も提案した。

関連論文リスト

• Semantic Aware Diffusion Inverse Tone Mapping [5.65968650127342]
  逆トーンマッピングによる高ダイナミックレンジ(HDR)へのキャプチャー標準ダイナミックレンジ(SDR)画像のアップの試み 本稿では,SDR画像をHDRにマッピングする新たな逆トーンマッピング手法を提案する。
  論文  参考訳（メタデータ） (2024-05-24T11:44:22Z)
• 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)
• HistoHDR-Net: Histogram Equalization for Single LDR to HDR Image Translation [12.45632443397018]
  高ダイナミックレンジ(HDR)イメージングは、現実世界のシーンの高画質と明快さを再現することを目的としている。 この文献は、低ダイナミックレンジ(Low Dynamic Range, LDR)からのHDR画像再構成のための様々なデータ駆動手法を提供している。 これらのアプローチの共通する制限は、再構成されたHDR画像の領域における詳細が欠けていることである。 細部を復元するためのシンプルで効果的な手法Histo-Netを提案する。
  論文  参考訳（メタデータ） (2024-02-08T20:14:46Z)
• 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)
• 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)
• GlowGAN: Unsupervised Learning of HDR Images from LDR Images in the Wild [74.52723408793648]
  そこで本研究では,HDR画像の生成モデルを構築するための第1の手法について述べる。 鍵となる考え方は、GAN(Generative Adversarial Network)を訓練して、様々な露光下でLDRに投影された場合、実際のLDR画像と区別できないHDR画像を生成することである。 実験の結果,GlowGANはランドスケープ,雷,窓など多くの難題において,光現実的HDR画像を合成できることがわかった。
  論文  参考訳（メタデータ） (2022-11-22T15:42:08Z)
• UPHDR-GAN: Generative Adversarial Network for High Dynamic Range Imaging with Unpaired Data [42.283022888414656]
  本稿では,マルチ露光入力を効果的に融合し,不用意なデータセットを用いて高品質な高ダイナミックレンジ(リバーサ)画像を生成する手法を提案する。 ディープラーニングに基づくHDR画像生成手法は、ペア化されたデータセットに大きく依存する。 Generative Adrial Networks (GAN) は、ペアの例がない状態で、ソースドメインXからターゲットドメインYへの画像変換の可能性を示した。
  論文  参考訳（メタデータ） (2021-02-03T03:09:14Z)
• HDR-GAN: HDR Image Reconstruction from Multi-Exposed LDR Images with Large Motions [62.44802076971331]
  マルチ露光LDR画像からHDR画像を合成するための新しいGANモデルHDR-GANを提案する。 本手法は,敵対学習を取り入れることで,欠落したコンテンツのある領域に忠実な情報を生成することができる。
  論文  参考訳（メタデータ） (2020-07-03T11:42:35Z)
• 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。