論文の概要: BLNet: A Fast Deep Learning Framework for Low-Light Image Enhancement with Noise Removal and Color Restoration

• arxiv url: http://arxiv.org/abs/2106.15953v1
• Date: Wed, 30 Jun 2021 10:06:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-01 21:16:35.196565
• Title: BLNet: A Fast Deep Learning Framework for Low-Light Image Enhancement with Noise Removal and Color Restoration
• Title（参考訳）: BLNet: ノイズ除去と色復元による低光画像強調のための高速ディープラーニングフレームワーク
• Authors: Xinxu Wei, Xianshi Zhang, Shisen Wang, Cheng Cheng, Yanlin Huang, Kaifu Yang, and Yongjie Li
• Abstract要約: 我々は、Bringing the Lightness(BLNet)と呼ばれる非常に高速なディープラーニングフレームワークを提案する。 Retinex Theoryに基づいて、我々のモデルにおける分解ネットは、低照度画像を反射率と照明に分解することができる。 提案手法は, 良好なルバスト性および一般化によって有望な効果を発揮することを示すため, 広範囲な実験を行った。
• 参考スコア（独自算出の注目度）: 14.75902042351609
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Images obtained in real-world low-light conditions are not only low in brightness, but they also suffer from many other types of degradation, such as color bias, unknown noise, detail loss and halo artifacts. In this paper, we propose a very fast deep learning framework called Bringing the Lightness (denoted as BLNet) that consists of two U-Nets with a series of well-designed loss functions to tackle all of the above degradations. Based on Retinex Theory, the decomposition net in our model can decompose low-light images into reflectance and illumination and remove noise in the reflectance during the decomposition phase. We propose a Noise and Color Bias Control module (NCBC Module) that contains a convolutional neural network and two loss functions (noise loss and color loss). This module is only used to calculate the loss functions during the training phase, so our method is very fast during the test phase. This module can smooth the reflectance to achieve the purpose of noise removal while preserving details and edge information and controlling color bias. We propose a network that can be trained to learn the mapping between low-light and normal-light illumination and enhance the brightness of images taken in low-light illumination. We train and evaluate the performance of our proposed model over the real-world Low-Light (LOL) dataset), and we also test our model over several other frequently used datasets (LIME, DICM and MEF datasets). We conduct extensive experiments to demonstrate that our approach achieves a promising effect with good rubustness and generalization and outperforms many other state-of-the-art methods qualitatively and quantitatively. Our method achieves high speed because we use loss functions instead of introducing additional denoisers for noise removal and color correction. The code and model are available at https://github.com/weixinxu666/BLNet.
• Abstract（参考訳）: 実世界の低照度条件で得られた画像は明るさが低いだけでなく、色バイアス、未知のノイズ、ディテールロス、haloアーティファクトなど、他の多くの種類の劣化も抱えている。 本稿では,2つのu-netからなる光度(blnet)を持ち,これらすべての劣化に対処するために設計が整った損失関数を持つ超高速深層学習フレームワークを提案する。 retinex理論に基づき、このモデルにおける分解ネットは、低光度画像を反射率と照明に分解し、分解相中の反射率のノイズを除去することができる。 畳み込みニューラルネットワークと2つの損失関数(ノイズ損失と色損失)を含むノイズ・カラーバイアス制御モジュール(NCBCモジュール)を提案する。 このモジュールは、トレーニングフェーズにおける損失関数の計算にのみ使用されるため、テストフェーズでは非常に高速である。 このモジュールは反射率を円滑にし、ディテールやエッジ情報を保存し、色バイアスを制御しながらノイズ除去の目的を達成することができる。 本研究では,低照度照明と正常光照明のマッピングを学習し,低照度照明で撮影された画像の輝度を高めるネットワークを提案する。 提案したモデルの性能を実世界のLow-Light(LOL)データセットでトレーニングし、評価し、また他のよく使われるデータセット(LIME、DICM、MEFデータセット)でテストする。 我々は,本手法が優れたルバスト性および一般化によって有望な効果を達成し,他の多くの最先端手法を質的かつ定量的に上回ることを示すための広範な実験を行った。 ノイズ除去や色補正のためのデノイザを新たに導入する代わりに,損失関数を用いることで,高速化を実現している。 コードとモデルはhttps://github.com/weixinxu666/blnetで入手できる。

関連論文リスト

• You Only Need One Color Space: An Efficient Network for Low-light Image Enhancement [50.37253008333166]
  低照度画像強調(LLIE)タスクは、劣化した低照度画像から詳細と視覚情報を復元する傾向がある。 水平/垂直インテンシティ(HVI)と呼ばれる新しいトレーニング可能なカラー空間を提案する。 輝度と色をRGBチャネルから切り離して、拡張中の不安定性を緩和するだけでなく、トレーニング可能なパラメータによって異なる照明範囲の低照度画像にも適応する。
  論文  参考訳（メタデータ） (2024-02-08T16:47:43Z)
• 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)
• Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
  低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。 これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。 まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。 次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
  論文  参考訳（メタデータ） (2023-05-17T13:56:48Z)
• Seeing Through The Noisy Dark: Toward Real-world Low-Light Image Enhancement and Denoising [125.56062454927755]
  現実の低照度環境は通常、光やハードウェアの限界が不足しているため、視界が低く、騒音が重い。 我々は、RLED-Net(Real-world Low-light Enhancement & Denoising Network)と呼ばれる新しいエンドツーエンド手法を提案する。
  論文  参考訳（メタデータ） (2022-10-02T14:57:23Z)
• KinD-LCE Curve Estimation And Retinex Fusion On Low-Light Image [7.280719886684936]
  本稿では,低照度化のためのアルゴリズムを提案する。 KinD-LCEは、Retinex分解画像の照明マップを強化するために光曲線推定モジュールを使用する。 照明マップと反射マップ融合モジュールも提案され、画像の詳細を復元し、詳細損失を低減した。
  論文  参考訳（メタデータ） (2022-07-19T11:49:21Z)
• Enhancing Low-Light Images in Real World via Cross-Image Disentanglement [58.754943762945864]
  そこで本研究では,現実の汚職とミスアライメントされたトレーニング画像からなる,新しい低照度画像強調データセットを提案する。 本モデルでは,新たに提案したデータセットと,他の一般的な低照度データセットの両方に対して,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-01-10T03:12:52Z)
• Low-light Image Enhancement via Breaking Down the Darkness [8.707025631892202]
  本稿では,分割・ルール原理に触発された新しい枠組みを提案する。 本稿では,RGB空間から輝度クロミナンス画像に変換することを提案する。 調整可能なノイズ抑制ネットワークは、輝度が明るくなるときにノイズを取り除くように設計されている。 強化された輝度はさらに、色マッパーが現実的な色を生成するためのガイダンスとなる。
  論文  参考訳（メタデータ） (2021-11-30T16:50:59Z)
• DA-DRN: Degradation-Aware Deep Retinex Network for Low-Light Image Enhancement [14.75902042351609]
  低照度画像強調のための劣化対応深部網膜ネットワーク(DA-DRN)を提案する。 Retinex Theoryに基づいて、我々のモデルにおける分解ネットは、低照度画像を反射率と照明マップに分解することができる。 提案手法は, 良好なルバスト性および一般化によって有望な効果を発揮することを示すため, 広範囲な実験を行った。
  論文  参考訳（メタデータ） (2021-10-05T03:53:52Z)
• 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)
• Unsupervised Low-light Image Enhancement with Decoupled Networks [103.74355338972123]
  我々は、実世界の低照度画像を教師なしで拡張する2段階のGANベースのフレームワークを学習する。 提案手法は,照度向上と雑音低減の両面から,最先端の教師なし画像強調法より優れる。
  論文  参考訳（メタデータ） (2020-05-06T13:37:08Z)

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。