論文の概要: MSR-Net: Multi-Scale Relighting Network for One-to-One Relighting

• arxiv url: http://arxiv.org/abs/2107.06125v1
• Date: Tue, 13 Jul 2021 14:25:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-14 14:40:55.237363
• Title: MSR-Net: Multi-Scale Relighting Network for One-to-One Relighting
• Title（参考訳）: MSR-Net:1対1のリライトのためのマルチスケールリライトネットワーク
• Authors: Sourya Dipta Das, Nisarg A. Shah, Saikat Dutta
• Abstract要約: ディープ・イメージ・リライティング(Deep Image relighting)は、人間の努力なしに照明固有のリタッチによって光の強化を可能にする。 ライティングで利用可能な既存の一般的なメソッドのほとんどは、実行時の集中度とメモリ非効率である。 本稿では,各画像の特徴を異なるスケールで集約するスタックド・ディープ・マルチスケール階層ネットワークを提案する。
• 参考スコア（独自算出の注目度）: 6.544716087553996
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep image relighting allows photo enhancement by illumination-specific retouching without human effort and so it is getting much interest lately. Most of the existing popular methods available for relighting are run-time intensive and memory inefficient. Keeping these issues in mind, we propose the use of Stacked Deep Multi-Scale Hierarchical Network, which aggregates features from each image at different scales. Our solution is differentiable and robust for translating image illumination setting from input image to target image. Additionally, we have also shown that using a multi-step training approach to this problem with two different loss functions can significantly boost performance and can achieve a high quality reconstruction of a relighted image.
• Abstract（参考訳）: ディープ・イメージ・リライティング(deep image relighting)は、人間の努力なしに照明特有のリタッチによって写真の強化を可能にする。 relightingで使用可能な既存の一般的なメソッドのほとんどは、実行時集中型であり、メモリ効率が悪い。 これらの問題を念頭に置いて,各画像から異なるスケールで特徴を集約する階層型階層型ネットワークのスタック化を提案する。 我々のソリューションは、入力画像からターゲット画像への画像照明設定の変換に適しており、堅牢である。 また,2つの異なる損失関数を持つこの問題に対する多段階学習手法を用いることで,性能が著しく向上し,高画質な画像再構成が可能となることを示した。

関連論文リスト

• Division Gets Better: Learning Brightness-Aware and Detail-Sensitive Representations for Low-Light Image Enhancement [10.899693396348171]
  LCDBNetは、輝度調整ネットワーク(LAN)と色復元ネットワーク(CRN)の2つのブランチで構成されている。 LANは、長距離依存と局所的な注意相関を利用した輝度認識機能を学ぶ責任を負う。 CRNはマルチレベルウェーブレット分解によるディテールセンシティブな特徴の学習に重点を置いている。 最後に、融合ネットワークは、学習した特徴をブレンドして視覚的に印象的な画像を生成するように設計されている。
  論文  参考訳（メタデータ） (2023-07-18T09:52:48Z)
• Embracing Compact and Robust Architectures for Multi-Exposure Image Fusion [50.598654017728045]
  本稿では,堅牢なマルチ露光画像融合のための自己アライメントとディテールリプレクションモジュールを含む探索型パラダイムを提案する。 シーンリライティングと変形可能な畳み込みを利用して、カメラの動きに拘わらず、画像を正確に調整することができる。 我々は、様々な競争方式と比較して最先端の性能を実現し、一般的なシナリオと不整合シナリオに対するPSNRの4.02%と29.34%の改善を実現した。
  論文  参考訳（メタデータ） (2023-05-20T17:01:52Z)
• Simplifying Low-Light Image Enhancement Networks with Relative Loss Functions [14.63586364951471]
  FLW-Net(Fast and LightWeight Network)と2つの相対損失関数を導入し,低照度画像強調における学習を容易にする。 我々はまず、グローバルコントラストを得るための大きな受容領域の必要性の課題を認識した。 そこで我々は,これらの課題を克服するために,相対情報に基づく効率的なグローバル特徴情報抽出コンポーネントと2つの損失関数を提案する。
  論文  参考訳（メタデータ） (2023-04-06T10:05:54Z)
• Controllable Image Enhancement [66.18525728881711]
  いくつかのパラメータを制御して、複数のスタイルで高品質な画像を生成できる半自動画像強調アルゴリズムを提案する。 エンコーダ・デコーダフレームワークは、リタッチスキルを潜在コードにエンコードし、イメージ信号処理機能のパラメータにデコードする。
  論文  参考訳（メタデータ） (2022-06-16T23:54:53Z)
• 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)
• 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)
• ReLLIE: Deep Reinforcement Learning for Customized Low-Light Image Enhancement [21.680891925479195]
  低照度画像強調(LLIE)は広く普及するが難しい問題である。 本稿では、低照度化をカスタマイズするReLLIEと呼ばれる新しい深層強化学習手法を提案する。
  論文  参考訳（メタデータ） (2021-07-13T03:36:30Z)
• 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)
• DSRN: an Efficient Deep Network for Image Relighting [8.346635942881722]
  深い画像リライトにより、照明固有のリタッチによる自動写真強化が可能。 本稿では,画像リライトのための効率的なリアルタイムフレームワークであるDeep Stacked Relighting Network (DSRN)を提案する。 我々のモデルは非常に軽量で、総サイズは約42MBで、解像度1024×1024$のイメージに対して平均推定時間は約0.0116sである。
  論文  参考訳（メタデータ） (2021-02-18T09:54:15Z)
• Shed Various Lights on a Low-Light Image: Multi-Level Enhancement Guided by Arbitrary References [17.59529931863947]
  本稿では,マルチレベル低光度画像強調のためのニューラルネットワークを提案する。 スタイル転送にインスパイアされたこの手法は,潜在空間内の2つの低結合機能コンポーネントにイメージを分解する。 このようにして、ネットワークは一連の画像対からシーン不変および明るさ固有情報を抽出することを学ぶ。
  論文  参考訳（メタデータ） (2021-01-04T07:38:51Z)
• L^2UWE: A Framework for the Efficient Enhancement of Low-Light Underwater Images Using Local Contrast and Multi-Scale Fusion [84.11514688735183]
  そこで本研究では,局所コントラスト情報から大気光の効率的なモデルが導出可能であるという観測結果に基づいて,単一画像の低照度水中画像エンハンサーL2UWEを提案する。 これらの画像を組み合わせて、高輝度、高輝度、局所コントラストの領域を強調しながら、マルチスケールの融合プロセスを用いる。 水中および低照度シーンに特有な7つの最先端拡張手法に対して,7つの指標を用いてL2UWEの性能を実証した。
  論文  参考訳（メタデータ） (2020-05-28T01:57:32Z)

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。