論文の概要: Locally Weighted Mean Phase Angle (LWMPA) Based Tone Mapping Quality Index (TMQI-3)

• arxiv url: http://arxiv.org/abs/2109.08774v1
• Date: Fri, 17 Sep 2021 22:17:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-24 01:21:30.952528
• Title: Locally Weighted Mean Phase Angle (LWMPA) Based Tone Mapping Quality Index (TMQI-3)
• Title（参考訳）: 局所重み付き平均位相角(LWMPA)に基づくトーンマッピング品質指標(TMQI-3)
• Authors: Inaam Ul Hassan, Abdul Haseeb, Sarwan Ali
• Abstract要約: 本稿では,低ダイナミックレンジ(LDR)画像の品質を客観的スコアに基づいて評価するトーンマッピング品質指標(TMQI-3)を提案する。 TMQI-3は耐雑音性があり、構造と自然性を考慮し、3つの色チャネル全てを1つのコンポーネントに統合する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: High Dynamic Range (HDR) images are the ones that contain a greater range of luminosity as compared to the standard images. HDR images have a higher detail and clarity of structure, objects, and color, which the standard images lack. HDR images are useful in capturing scenes that pose high brightness, darker areas, and shadows, etc. An HDR image comprises multiple narrow-range-exposure images combined into one high-quality image. As these HDR images cannot be displayed on standard display devices, the real challenge comes while converting these HDR images to Low dynamic range (LDR) images. The conversion of HDR image to LDR image is performed using Tone-mapped operators (TMOs). This conversion results in the loss of much valuable information in structure, color, naturalness, and exposures. The loss of information in the LDR image may not directly be visible to the human eye. To calculate how good an LDR image is after conversion, various metrics have been proposed previously. Some are not noise resilient, some work on separate color channels (Red, Green, and Blue one by one), and some lack capacity to identify the structure. To deal with this problem, we propose a metric in this paper called the Tone Mapping Quality Index (TMQI-3), which evaluates the quality of the LDR image based on its objective score. TMQI-3 is noise resilient, takes account of structure and naturalness, and works on all three color channels combined into one luminosity component. This eliminates the need to use multiple metrics at the same time. We compute results for several HDR and LDR images from the literature and show that our quality index metric performs better than the baseline models.
• Abstract（参考訳）: 高ダイナミックレンジ(hdr)画像は、標準画像に比べてより広い光度を含む画像である。 HDR画像は、標準画像に欠けている構造、オブジェクト、色の詳細と明快さを持っている。 HDR画像は、高輝度、暗い領域、影などのシーンを撮影するのに有用である。 HDR画像は、複数の狭域露光画像を1つの高品質画像に合成する。 これらのHDR画像は標準表示装置では表示できないため、実際の課題はこれらのHDR画像をLow Dynamic Range (LDR)画像に変換することである。 トーンマップ演算子(TMO)を用いてHDR画像からLDR画像への変換を行う。 この変換により、構造、色、自然性、露出において非常に貴重な情報が失われる。 LDR画像における情報の喪失は、直接人間の目には見えないかもしれない。 変換後のLDR画像の精度を計算するために,これまで様々な指標が提案されてきた。 いくつかは耐雑音性がなく、別の色チャンネル(赤、緑、青)で作業し、いくつかは構造を特定する能力がない。 この問題に対処するため,本論文では,目標スコアに基づいてLDR画像の品質を評価するトーンマッピング品質指標(TMQI-3)を提案する。 TMQI-3は耐雑音性があり、構造と自然性を考慮し、3つの色チャネル全てを1つの光度成分に統合する。 これにより、複数のメトリクスを同時に使用する必要がなくなる。 文献から得られた複数のhdrおよびldr画像の結果を算出し,品質指標指標がベースラインモデルよりも優れた性能を示す。

関連論文リスト

• HDR-GS: Efficient High Dynamic Range Novel View Synthesis at 1000x Speed via Gaussian Splatting [76.5908492298286]
  既存のHDR NVS法は主にNeRFに基づいている。 訓練時間は長く、推論速度は遅い。 我々は新しいフレームワークHigh Dynamic Range Gaussian Splatting (-GS)を提案する。
  論文  参考訳（メタデータ） (2024-05-24T00:46:58Z)
• HistoHDR-Net: Histogram Equalization for Single LDR to HDR Image Translation [12.45632443397018]
  高ダイナミックレンジ(HDR)イメージングは、現実世界のシーンの高画質と明快さを再現することを目的としている。 この文献は、低ダイナミックレンジ(Low Dynamic Range, LDR)からのHDR画像再構成のための様々なデータ駆動手法を提供している。 これらのアプローチの共通する制限は、再構成されたHDR画像の領域における詳細が欠けていることである。 細部を復元するためのシンプルで効果的な手法Histo-Netを提案する。
  論文  参考訳（メタデータ） (2024-02-08T20:14:46Z)
• Training Neural Networks on RAW and HDR Images for Restoration Tasks [59.41340420564656]
  本研究は,3つの画像復元アプリケーション(デノイング,デブロアリング,シングルイメージ超解像)に対するアプローチを検証した。 その結果、ニューラルネットワークは、表示色空間で表現されるHDRおよびRAW画像において、かなりよく訓練されていることが示唆された。 トレーニング戦略へのこの小さな変更は、最大10～15dBのパフォーマンスを大幅に向上させることができます。
  論文  参考訳（メタデータ） (2023-12-06T17:47:16Z)
• 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)
• GlowGAN: Unsupervised Learning of HDR Images from LDR Images in the Wild [74.52723408793648]
  そこで本研究では,HDR画像の生成モデルを構築するための第1の手法について述べる。 鍵となる考え方は、GAN(Generative Adversarial Network)を訓練して、様々な露光下でLDRに投影された場合、実際のLDR画像と区別できないHDR画像を生成することである。 実験の結果,GlowGANはランドスケープ,雷,窓など多くの難題において,光現実的HDR画像を合成できることがわかった。
  論文  参考訳（メタデータ） (2022-11-22T15:42:08Z)
• HDR-NeRF: High Dynamic Range Neural Radiance Fields [70.80920996881113]
  我々は、低ダイナミックレンジ(LDR)ビューの集合からHDR放射界を異なる露光で復元するために、高ダイナミックレンジニューラルレイディアンス場(-NeRF)を提案する。 異なる露出下で、新しいHDRビューと新しいLDRビューの両方を生成することができる。
  論文  参考訳（メタデータ） (2021-11-29T11:06:39Z)
• Luminance Attentive Networks for HDR Image and Panorama Reconstruction [37.364335148790005]
  低ダイナミックレンジ(LDR)画像から高逆範囲を不適切な問題として再構成することは困難である。 本稿では,1つのLDR画像からHDR再構成を行うために,LANetという減衰輝度ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-09-14T13:44:34Z)
• A Two-stage Deep Network for High Dynamic Range Image Reconstruction [0.883717274344425]
  本研究では,新しい2段階深層ネットワークを提案することにより,シングルショットLDRからHDRマッピングへの課題に取り組む。 提案手法は,カメラ応答機能(CRF)や露光設定など,ハードウェア情報を知ることなくHDR画像の再構築を図ることを目的とする。
  論文  参考訳（メタデータ） (2021-04-19T15:19:17Z)
• Deep Snapshot HDR Imaging Using Multi-Exposure Color Filter Array [14.5106375775521]
  本稿では,有効損失と入力データの正規化を同時に実現する輝度正規化の考え方を紹介する。 2つの公開HDR画像データセットを用いた実験結果から,我々のフレームワークが他のスナップショット手法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-11-20T06:31:37Z)
• HDR-GAN: HDR Image Reconstruction from Multi-Exposed LDR Images with Large Motions [62.44802076971331]
  マルチ露光LDR画像からHDR画像を合成するための新しいGANモデルHDR-GANを提案する。 本手法は,敵対学習を取り入れることで,欠落したコンテンツのある領域に忠実な情報を生成することができる。
  論文  参考訳（メタデータ） (2020-07-03T11:42:35Z)

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。