論文の概要: IceNet for Interactive Contrast Enhancement

• arxiv url: http://arxiv.org/abs/2109.05838v1
• Date: Mon, 13 Sep 2021 10:07:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-14 15:20:15.304844
• Title: IceNet for Interactive Contrast Enhancement
• Title（参考訳）: インタラクティブコントラスト強調用アイスネット
• Authors: Keunsoo Ko and Chang-Su Kim
• Abstract要約: 本研究では,CNNを用いたインタラクティブコントラスト拡張アルゴリズムIceNetを提案する。 IceNetは、ユーザが自分の好みに応じて画像コントラストを容易に調整できるようにする。
• 参考スコア（独自算出の注目度）: 49.41893958899143
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A CNN-based interactive contrast enhancement algorithm, called IceNet, is proposed in this work, which enables a user to adjust image contrast easily according to his or her preference. Specifically, a user provides a parameter for controlling the global brightness and two types of scribbles to darken or brighten local regions in an image. Then, given these annotations, IceNet estimates a gamma map for the pixel-wise gamma correction. Finally, through color restoration, an enhanced image is obtained. The user may provide annotations iteratively to obtain a satisfactory image. IceNet is also capable of producing a personalized enhanced image automatically, which can serve as a basis for further adjustment if so desired. Moreover, to train IceNet effectively and reliably, we propose three differentiable losses. Extensive experiments show that IceNet can provide users with satisfactorily enhanced images.
• Abstract（参考訳）: 本研究では,CNNを用いた対話型コントラスト強調アルゴリズムIceNetを提案し,ユーザの好みに応じて画像コントラストの調整を容易にする。 具体的には、ユーザは、画像内の局所領域を暗くしたり明るくしたりする2種類のクリブルと、グローバル輝度を制御するパラメータを提供する。 そして、これらのアノテーションから、IceNetはピクセルワイドガンマ補正のためのガンママップを推定する。 最後に、カラー復元により、強化画像を得る。 ユーザは、満足いく画像を得るために、アノテーションを反復的に提供することができる。 IceNetはパーソナライズされた拡張イメージを自動生成する機能も備えており、必要に応じてさらなる調整の基盤として機能する。 また、IceNetを効果的かつ確実に訓練するために、3つの異なる損失を提案する。 広範な実験により、icenetはユーザーに満足のいく拡張画像を提供することができる。

関連論文リスト

• IReNe: Instant Recoloring of Neural Radiance Fields [54.94866137102324]
  我々は、NeRFにおける高速、ほぼリアルタイムな色編集を可能にするIReNeを紹介する。 トレーニング済みのNeRFモデルとユーザ対応カラー編集によるトレーニングイメージを併用する。 この調整により、モデルはトレーニング画像からの色変化を正確に表現して、新しいシーンビューを生成することができる。
  論文  参考訳（メタデータ） (2024-05-30T09:30:28Z)
• Joint Correcting and Refinement for Balanced Low-Light Image Enhancement [26.399356992450763]
  より効果的に明るさ、色、照明のバランスをとることができる新しい構造が提案されている。 JCRNet(Joint Correcting and Refinement Network)は主に、明るさ、色、照明の輝度のバランスをとるための3つのステージで構成されている。
  論文  参考訳（メタデータ） (2023-09-28T03:16:45Z)
• Brighten-and-Colorize: A Decoupled Network for Customized Low-Light Image Enhancement [22.097267755811192]
  低照度画像強調(LLIE)は、低照度で撮影された画像の知覚品質を改善することを目的としている。 この領域の最近の進歩は、主に色覚の役割を無視しながら、明るさの洗練に焦点を当てている。 本研究では、上記の問題に対処するために、BCGネットワーク(BCGNet)を提案する。
  論文  参考訳（メタデータ） (2023-08-06T06:04:16Z)
• 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)
• Enhancement by Your Aesthetic: An Intelligible Unsupervised Personalized Enhancer for Low-Light Images [67.14410374622699]
  低照度画像のための知能的教師なしパーソナライズ・エンハンサー(iUPEnhancer)を提案する。 提案したiUP-Enhancerは、これらの相関関係とそれに対応する教師なし損失関数のガイダンスを用いて訓練される。 実験により,提案アルゴリズムは競合的な質的,定量的な結果が得られることを示した。
  論文  参考訳（メタデータ） (2022-07-15T07:16:10Z)
• SSH: A Self-Supervised Framework for Image Harmonization [97.16345684998788]
  我々は、編集せずに「自由」な自然画像だけで訓練できる新しい自己改善調和フレームワーク(SSH)を提案する。 提案したSSHは,基準指標,視覚的品質,主観的ユーザスタディにおいて,従来の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-08-15T19:51:33Z)
• 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)
• Self-supervised Low Light Image Enhancement and Denoising [8.583910695494726]
  本稿では,深層学習に基づく自己監視型低照度画像強調法を提案する。 画像コントラストを改善し、ノイズを同時に低減し、プレ/ポストデノーミングによるぼかしを避けることができる。
  論文  参考訳（メタデータ） (2021-03-01T08:05:02Z)
• NICER: Aesthetic Image Enhancement with Humans in the Loop [0.7756211500979312]
  本研究は,完全,半自動,完全手動のプロセスにおいて,非参照画像強調に対するニューラルネットワークに基づくアプローチを提案する。 NICERは,ユーザインタラクションを伴わずに画像美学を向上し,ユーザインタラクションを可能とすることで,多様な改善結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-03T09:14:10Z)
• Look here! A parametric learning based approach to redirect visual attention [49.609412873346386]
  画像領域を微妙な画像編集によってより注目度の高いものにするための自動手法を提案する。 我々のモデルは、前景および背景画像領域に適用可能な、異なるグローバルパラメトリック変換セットを予測する。 編集により、任意の画像サイズでインタラクティブなレートでの推論が可能になり、簡単に動画に一般化できる。
  論文  参考訳（メタデータ） (2020-08-12T16:08:36Z)

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。