論文の概要: How to cheat with metrics in single-image HDR reconstruction

• arxiv url: http://arxiv.org/abs/2108.08713v1
• Date: Thu, 19 Aug 2021 14:29:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-20 19:03:47.445127
• Title: How to cheat with metrics in single-image HDR reconstruction
• Title（参考訳）: 単一画像hdr再構成におけるメトリクスの騙し方
• Authors: Gabriel Eilertsen, Saghi Hajisharif, Param Hanji, Apostolia Tsirikoglou, Rafal K. Mantiuk, Jonas Unger
• Abstract要約: 近年, 深層学習に適した問題として, シングルイメージハイダイナミックレンジ (SI-The) 再構成が登場している。 本稿では、客観的な測定値の改善が、必ずしも視覚的に優れた画像に変換されるとは限らないことを強調する。 これらの結果が知覚された品質を表わさないこと、SI-再構成がより良い評価プロトコルを必要とすることを示します。
• 参考スコア（独自算出の注目度）: 19.361293438802264
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single-image high dynamic range (SI-HDR) reconstruction has recently emerged as a problem well-suited for deep learning methods. Each successive technique demonstrates an improvement over existing methods by reporting higher image quality scores. This paper, however, highlights that such improvements in objective metrics do not necessarily translate to visually superior images. The first problem is the use of disparate evaluation conditions in terms of data and metric parameters, calling for a standardized protocol to make it possible to compare between papers. The second problem, which forms the main focus of this paper, is the inherent difficulty in evaluating SI-HDR reconstructions since certain aspects of the reconstruction problem dominate objective differences, thereby introducing a bias. Here, we reproduce a typical evaluation using existing as well as simulated SI-HDR methods to demonstrate how different aspects of the problem affect objective quality metrics. Surprisingly, we found that methods that do not even reconstruct HDR information can compete with state-of-the-art deep learning methods. We show how such results are not representative of the perceived quality and that SI-HDR reconstruction needs better evaluation protocols.
• Abstract（参考訳）: 近年, 深層学習に適した問題として, シングルイメージハイダイナミックレンジ (SI-HDR) 再構成が登場している。 各連続するテクニックは、高画質のスコアを報告することにより、既存の方法よりも改善を示す。 しかし本稿では,このような客観的指標の改善が必ずしも視覚的に優れた画像に翻訳されるとは限らないことを強調する。 最初の問題は、データとメトリックパラメータの観点で異なる評価条件を使用することで、論文間の比較を可能にする標準プロトコルを要求できる。 本論文の主眼となる第2の問題は、再建問題の特定の側面が客観的な差異を支配し、バイアスを生じさせるため、SI-HDR再構成の評価に固有の困難さである。 本稿では,既存のSI-HDR法とシミュレーションによる評価を再現し,課題の異なる側面が客観的な品質指標に与える影響を実証する。 驚いたことに,HDR情報の再構成すらできない手法は,最先端のディープラーニング手法と競合する可能性がある。 以上の結果から,si-hdrの再構成には優れた評価プロトコルが必要と考えられた。

関連論文リスト

• A Cycle Ride to HDR: Semantics Aware Self-Supervised Framework for Unpaired LDR-to-HDR Image Translation [0.0]
  低ダイナミックレンジ(LDR)から高ダイナミックレンジ(High Dynamic Range)への画像変換は重要なコンピュータビジョン問題である。 現在の最先端の手法のほとんどは、モデルトレーニングのための高品質なペアLDR、データセットを必要とする。 本稿では,改良型サイクル整合対向アーキテクチャを提案し,未ペアのLDR,データセットをトレーニングに利用した。
  論文  参考訳（メタデータ） (2024-10-19T11:11:58Z)
• Single-Image HDR Reconstruction by Multi-Exposure Generation [8.656080193351581]
  本稿では,HDR再構成のための物理画像形成過程を逆転する弱教師付き学習手法を提案する。 我々のニューラルネットワークは、複数の露光を合成する前に画素照射を再構成するためにカメラ応答を反転させることができる。 実験の結果,提案手法はHDR画像の再構成を効果的に行うことができることがわかった。
  論文  参考訳（メタデータ） (2022-10-28T05:12:56Z)
• Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
  エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
  論文  参考訳（メタデータ） (2022-06-07T14:55:32Z)
• Image Reconstruction from Events. Why learn it? [11.773972029187433]
  動き推定の連立問題への取り組みが,線形逆問題としてイベントベース画像再構成のモデル化につながることを示す。 そこで本稿では,古典的・学習的な画像先行情報を用いて,その問題を解決し,再構成画像からアーティファクトを除去する手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T14:01:09Z)
• Image Quality Assessment using Contrastive Learning [50.265638572116984]
  我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。 本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。 以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
  論文  参考訳（メタデータ） (2021-10-25T21:01:00Z)
• Learning Conditional Knowledge Distillation for Degraded-Reference Image Quality Assessment [157.1292674649519]
  劣化参照IQA(DR-IQA)という実用的な解を提案する。 DR-IQAはIRモデルの入力、劣化したイメージを参照として利用する。 私たちの結果は、フル参照設定のパフォーマンスに近いものもあります。
  論文  参考訳（メタデータ） (2021-08-18T02:35:08Z)
• Joint reconstruction and bias field correction for undersampled MR imaging [7.409376558513677]
  k空間をMRIでアンサンプすることで、貴重な取得時間を節約できるが、結果として不適切な逆転問題が発生する。 ディープラーニングのスキームは、トレーニングデータと、テスト時に再構成される画像の違いに影響を受けやすい。 本研究は,再建問題のバイアス場に対する感度に対処し,再設計において明確にモデル化することを提案する。
  論文  参考訳（メタデータ） (2020-07-26T12:58:34Z)
• 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)
• Deep Face Super-Resolution with Iterative Collaboration between Attentive Recovery and Landmark Estimation [92.86123832948809]
  本稿では,2つの繰り返しネットワーク間の反復的協調による深層面超解像(FSR)手法を提案する。 各繰り返しステップにおいて、リカバリブランチは、ランドマークの事前の知識を利用して、高品質な画像を生成する。 新しい注意融合モジュールはランドマークマップのガイダンスを強化するために設計されている。
  論文  参考訳（メタデータ） (2020-03-29T16:04:48Z)
• Characteristic Regularisation for Super-Resolving Face Images [81.84939112201377]
  既存の顔画像超解像法(SR)は、主に人工的にダウンサンプリングされた低解像度(LR)画像の改善に焦点を当てている。 従来の非教師なしドメイン適応(UDA)手法は、未ペアの真のLRとHRデータを用いてモデルをトレーニングすることでこの問題に対処する。 これにより、視覚的特徴を構成することと、画像の解像度を高めることの2つのタスクで、モデルをオーバーストレッチする。 従来のSRモデルとUDAモデルの利点を結合する手法を定式化する。
  論文  参考訳（メタデータ） (2019-12-30T16:27:24Z)

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。