論文の概要: Thermal Image Processing via Physics-Inspired Deep Networks
- arxiv url: http://arxiv.org/abs/2108.07973v1
- Date: Wed, 18 Aug 2021 04:57:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-19 22:33:44.087293
- Title: Thermal Image Processing via Physics-Inspired Deep Networks
- Title(参考訳): 物理誘導深部ネットワークによる熱画像処理
- Authors: Vishwanath Saragadam, Akshat Dave, Ashok Veeraraghavan, Richard
Baraniuk
- Abstract要約: DeepIRは、物理的に正確なセンサーモデリングとディープネットワークベースのイメージ表現を組み合わせる。
DeepIRは、トレーニングデータや、既知のブラックボディターゲットによる定期的な地平線校正を必要としない。
シミュレーションおよび実データ実験により、DeepIRは3つの画像で高品質な非均一性補正を行うことができることを示した。
- 参考スコア(独自算出の注目度): 21.094006629684376
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce DeepIR, a new thermal image processing framework that combines
physically accurate sensor modeling with deep network-based image
representation. Our key enabling observations are that the images captured by
thermal sensors can be factored into slowly changing, scene-independent sensor
non-uniformities (that can be accurately modeled using physics) and a
scene-specific radiance flux (that is well-represented using a deep
network-based regularizer). DeepIR requires neither training data nor periodic
ground-truth calibration with a known black body target--making it well suited
for practical computer vision tasks. We demonstrate the power of going DeepIR
by developing new denoising and super-resolution algorithms that exploit
multiple images of the scene captured with camera jitter. Simulated and real
data experiments demonstrate that DeepIR can perform high-quality
non-uniformity correction with as few as three images, achieving a 10dB PSNR
improvement over competing approaches.
- Abstract(参考訳): 本稿では,物理精度の高いセンサモデリングとディープネットワークに基づく画像表現を組み合わせた新しい熱画像処理フレームワークDeepIRを紹介する。
熱センサで捉えた画像は、ゆっくりと変化するシーン非依存のセンサ非均一性(物理で正確にモデル化できる)と、シーン特異的な放射束(ディープネットワークベースの正則化器でよく表現できる)に分解できる。
deepirはトレーニングデータや、既知のブラックボディターゲットによる定期的な地上校正を必要とせず、実用的なコンピュータビジョンタスクに適している。
我々は、カメラジッタで捉えたシーンの複数の画像を利用する新しいデノジングアルゴリズムと超高解像度アルゴリズムを開発することにより、DeepIRのパワーを実証する。
シミュレーションおよび実データ実験により、DeepIRは3つの画像で高品質な非均一性補正が可能であり、競合するアプローチよりも10dB PSNRの改善が達成されている。
関連論文リスト
- Robust Depth Enhancement via Polarization Prompt Fusion Tuning [112.88371907047396]
様々な深度センサによる不正確な深度測定を改善するために偏光イメージングを利用するフレームワークを提案する。
まず、偏光データとセンサ深度マップから高密度で完全な深度マップを推定するために、ニューラルネットワークを訓練した学習ベースの戦略を採用する。
大規模データセット上で事前学習したRGBモデルを有効に活用するためのPPFT(Polarization Prompt Fusion Tuning)戦略を提案する。
論文 参考訳(メタデータ) (2024-04-05T17:55:33Z) - Learning to See Through Dazzle [0.0]
レーザーダッズ(レーザーダッズ)は、過飽和やセンサーピクセルの永続的な損傷によって、強烈なレーザー光によって環境に対する認識を損なうことができる。
ここでは、ウェーブフロント符号化位相マスクを用いて、レーザ光のエネルギーを拡散させ、複雑な画像劣化からイメージを復元するためのサンドイッチ生成対向ネットワーク(SGAN)を導入する。
論文 参考訳(メタデータ) (2024-02-24T22:22:02Z) - Self-Supervised High Dynamic Range Imaging with Multi-Exposure Images in
Dynamic Scenes [58.66427721308464]
Selfは、訓練中にダイナミックなマルチ露光画像のみを必要とする自己教師型再構成手法である。
Selfは最先端の自己管理手法に対して優れた結果を出し、教師付き手法に匹敵するパフォーマンスを実現している。
論文 参考訳(メタデータ) (2023-10-03T07:10:49Z) - Weakly-Supervised Optical Flow Estimation for Time-of-Flight [11.496094830445054]
再構成深度に直接光フローネットワークを監視できるトレーニングアルゴリズムを提案する。
本手法により,iToF深度画像における生のiToF測定値の整列と運動成果物の補償を可能にする。
論文 参考訳(メタデータ) (2022-10-11T09:47:23Z) - DeepRM: Deep Recurrent Matching for 6D Pose Refinement [77.34726150561087]
DeepRMは、6Dポーズ改善のための新しいリカレントネットワークアーキテクチャである。
アーキテクチャにはLSTMユニットが組み込まれ、各改善ステップを通じて情報を伝達する。
DeepRMは、2つの広く受け入れられている課題データセットで最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2022-05-28T16:18:08Z) - GenISP: Neural ISP for Low-Light Machine Cognition [19.444297600977546]
低照度環境では、原画像データを用いた物体検出器は、ISPパイプラインで処理された画像データを用いた検出器よりも堅牢である。
我々は、デバイスに依存しないカラー空間にカラー空間変換を明示的に組み込んだ、マシン認知のための最小限のニューラルISPパイプラインGenISPを提案する。
論文 参考訳(メタデータ) (2022-05-07T17:17:24Z) - Lightweight HDR Camera ISP for Robust Perception in Dynamic Illumination
Conditions via Fourier Adversarial Networks [35.532434169432776]
照明とノイズ除去の逐次的バランスをとる軽量な2段階画像強調アルゴリズムを提案する。
また、異なる照明条件下での一貫した画像強調のためのフーリエスペクトルベース対向フレームワーク(AFNet)を提案する。
また,定量的および定性的な評価に基づいて,画像強調技術が共通認識タスクの性能に与える影響について検討した。
論文 参考訳(メタデータ) (2022-04-04T18:48:51Z) - MantissaCam: Learning Snapshot High-dynamic-range Imaging with
Perceptually-based In-pixel Irradiance Encoding [39.78877654934457]
ハイダイナミックレンジ(HDR)画像は多くのコンピュータビジョンアプリケーションにおいて不可欠である。
ここでは、従来の照射アンラッピング法よりも優れたニューラルネットワークベースのアルゴリズムを設計する。
プログラム可能なセンサで実装したプロトタイプMantissaCamの予備的な結果を示す。
論文 参考訳(メタデータ) (2021-12-09T21:32:10Z) - Learning Monocular Dense Depth from Events [53.078665310545745]
イベントカメラは、強度フレームではなく、非同期イベントのストリームの形式で輝度を変化させる。
最近の学習に基づくアプローチは、単眼深度予測のようなイベントベースのデータに適用されている。
本稿では,この課題を解決するための繰り返しアーキテクチャを提案し,標準フィードフォワード法よりも大幅に改善されていることを示す。
論文 参考訳(メタデータ) (2020-10-16T12:36:23Z) - 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) - Self-Supervised Linear Motion Deblurring [112.75317069916579]
深層畳み込みニューラルネットワークは、画像の劣化の最先端技術である。
本稿では,自己監督型動作遅延に対する識別可能なreblurモデルを提案する。
我々の実験は、自己監督された単一画像の劣化が本当に実現可能であることを実証した。
論文 参考訳(メタデータ) (2020-02-10T20:15:21Z)
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。