論文の概要: Semantic-Guided Zero-Shot Learning for Low-Light Image/Video Enhancement
- arxiv url: http://arxiv.org/abs/2110.00970v1
- Date: Sun, 3 Oct 2021 10:07:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-05 15:33:31.967083
- Title: Semantic-Guided Zero-Shot Learning for Low-Light Image/Video Enhancement
- Title（参考訳）: 低光画像/映像強調のための意味誘導ゼロショット学習
- Authors: Shen Zheng, Gaurav Gupta
- Abstract要約: 低照度画像は人間の知覚とコンピュータビジョンのアルゴリズムの両方に挑戦する。
計算写真やコンピュータビジョンアプリケーションのための低照度画像の啓蒙にアルゴリズムを堅牢にすることが不可欠である。
本稿では,ペア画像の欠如により訓練されたセマンティック誘導ゼロショット低照度拡張ネットワークを提案する。
- 参考スコア（独自算出の注目度）: 3.4722706398428493
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Low-light images challenge both human perceptions and computer vision
algorithms. It is crucial to make algorithms robust to enlighten low-light
images for computational photography and computer vision applications such as
real-time detection and segmentation tasks. This paper proposes a
semantic-guided zero-shot low-light enhancement network which is trained in the
absence of paired images, unpaired datasets, and segmentation annotation.
Firstly, we design an efficient enhancement factor extraction network using
depthwise separable convolution. Secondly, we propose a recurrent image
enhancement network for progressively enhancing the low-light image. Finally,
we introduce an unsupervised semantic segmentation network for preserving the
semantic information. Extensive experiments on various benchmark datasets and a
low-light video demonstrate that our model outperforms the previous
state-of-the-art qualitatively and quantitatively. We further discuss the
benefits of the proposed method for low-light detection and segmentation.
- Abstract（参考訳）: 低照度画像は人間の知覚とコンピュータビジョンアルゴリズムの両方に挑戦する。
リアルタイム検出やセグメンテーションタスクなどのコンピュータビジョンアプリケーションにおいて,低照度画像を啓蒙するアルゴリズムを堅牢にすることが重要である。
本稿では,ペア画像,非ペアデータセット,セグメンテーションアノテーションの欠如を訓練した,セマンティック誘導型ゼロショット低光強調ネットワークを提案する。
まず,奥行き分離可能な畳み込みを用いた効率的な拡張係数抽出ネットワークを設計する。
第2に,低光度画像の漸進的向上のための再帰的画像強調ネットワークを提案する。
最後に,意味情報を保存するための教師なしセマンティックセグメンテーションネットワークを導入する。
様々なベンチマークデータセットと低照度ビデオに関する広範な実験は、我々のモデルが以前の最先端技術よりも質的かつ定量的に優れていることを示している。
提案手法の低照度検出とセグメンテーションの利点についても検討する。
関連論文リスト
- Semi-LLIE: Semi-supervised Contrastive Learning with Mamba-based Low-light Image Enhancement [59.17372460692809]
本研究は、平均教師による半教師付き低照度強化(Semi-LLIE)フレームワークを提案する。
照度分布を忠実に伝達するために、意味認識によるコントラスト損失を導入し、自然色による画像の強調に寄与する。
また,大規模な視覚言語認識モデル(RAM)に基づく新たな知覚損失を提案し,よりリッチなテキストによる画像生成を支援する。
論文 参考訳（メタデータ） (2024-09-25T04:05:32Z) - Unsupervised Image Prior via Prompt Learning and CLIP Semantic Guidance for Low-Light Image Enhancement [25.97198463881292]
本稿では,よりリッチな視覚言語CLIPを利用して,ゼロ参照低照度化手法を提案する。
提案手法はタスクベース性能に関する各種データセット間で一貫した改善をもたらすことを示す。
論文 参考訳（メタデータ） (2024-05-19T08:06:14Z) - CodeEnhance: A Codebook-Driven Approach for Low-Light Image Enhancement [97.95330185793358]
低照度画像強調(LLIE)は、低照度画像を改善することを目的としている。
既存の手法では、様々な明るさ劣化からの回復の不確実性と、テクスチャと色情報の喪失という2つの課題に直面している。
我々は、量子化された先行値と画像の精細化を利用して、新しいエンハンスメント手法、CodeEnhanceを提案する。
論文 参考訳（メタデータ） (2024-04-08T07:34:39Z) - Zero-Shot Enhancement of Low-Light Image Based on Retinex Decomposition [4.175396687130961]
本稿ではZERRINNetと呼ばれるゼロショット低照度化手法の学習に基づくRetinex分解を提案する。
本手法は,ペアとアンペアのデータセットのトレーニングデータの影響を受けないゼロ参照拡張手法である。
論文 参考訳（メタデータ） (2023-11-06T09:57:48Z) - Learning Semantic Segmentation with Query Points Supervision on Aerial Images [57.09251327650334]
セマンティックセグメンテーションアルゴリズムを学習するための弱教師付き学習アルゴリズムを提案する。
提案手法は正確なセマンティックセグメンテーションを行い,手作業のアノテーションに要するコストと時間を大幅に削減することで効率を向上する。
論文 参考訳（メタデータ） (2023-09-11T14:32:04Z) - Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。
事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。
識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
論文 参考訳（メタデータ） (2022-07-19T14:35:42Z) - 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) - Improving Aerial Instance Segmentation in the Dark with Self-Supervised
Low Light Enhancement [6.500738558466833]
空中画像の低照度条件は、視覚ベースのアプリケーションの性能に悪影響を及ぼす。
自己監督型で低照度画像を高めることができる新しい手法を提案する。
GANを用いた新しい低照度航空データセットも提案する。
論文 参考訳（メタデータ） (2021-02-10T12:24:40Z) - LEUGAN:Low-Light Image Enhancement by Unsupervised Generative
Attentional Networks [4.584570928928926]
低照度画像強調タスクを処理するために,注意誘導型教師なし生成ネットワークを提案する。
具体的には,よりシャープなエッジを復元するエッジ補助モジュールと,よりリアルなカラーを復元するアテンション誘導モジュールの2つを含む。
実験では,提案アルゴリズムが最新手法に対して好適に動作することを検証した。
論文 参考訳（メタデータ） (2020-12-24T16:49:19Z) - Two-shot Spatially-varying BRDF and Shape Estimation [89.29020624201708]
形状とSVBRDFを段階的に推定した新しいディープラーニングアーキテクチャを提案する。
ドメインランダム化された幾何学と現実的な材料を用いた大規模合成学習データセットを作成する。
合成データセットと実世界のデータセットの両方の実験により、合成データセットでトレーニングされたネットワークが、実世界の画像に対してうまく一般化できることが示されている。
論文 参考訳（メタデータ） (2020-04-01T12:56:13Z)
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。