論文の概要: HDR-cGAN: Single LDR to HDR Image Translation using Conditional GAN
- arxiv url: http://arxiv.org/abs/2110.01660v1
- Date: Mon, 4 Oct 2021 18:50:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-07 02:51:25.173303
- Title: HDR-cGAN: Single LDR to HDR Image Translation using Conditional GAN
- Title（参考訳）: HDR-cGAN:条件付きガンを用いた単一LDRからHDR画像への変換
- Authors: Prarabdh Raipurkar, Rohil Pal and Shanmuganathan Raman
- Abstract要約: 低ダイナミックレンジ(LDR)カメラは、現実世界のシーンの広いダイナミックレンジを表現できない。
本研究では,HDR画像の再構成を行いながら,飽和領域の詳細を復元する深層学習手法を提案する。
本稿では,HDR-REALデータセットとHDR-SYNTHデータセットに対して,エンドツーエンドでトレーニングされた新しい条件付きGAN(cGAN)ベースのフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 24.299931323012757
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The prime goal of digital imaging techniques is to reproduce the realistic
appearance of a scene. Low Dynamic Range (LDR) cameras are incapable of
representing the wide dynamic range of the real-world scene. The captured
images turn out to be either too dark (underexposed) or too bright
(overexposed). Specifically, saturation in overexposed regions makes the task
of reconstructing a High Dynamic Range (HDR) image from single LDR image
challenging. In this paper, we propose a deep learning based approach to
recover details in the saturated areas while reconstructing the HDR image. We
formulate this problem as an image-to-image (I2I) translation task. To this
end, we present a novel conditional GAN (cGAN) based framework trained in an
end-to-end fashion over the HDR-REAL and HDR-SYNTH datasets. Our framework uses
an overexposed mask obtained from a pre-trained segmentation model to
facilitate the hallucination task of adding details in the saturated regions.
We demonstrate the effectiveness of the proposed method by performing an
extensive quantitative and qualitative comparison with several state-of-the-art
single-image HDR reconstruction techniques.
- Abstract（参考訳）: デジタルイメージング技術の最大の目標は、シーンのリアルな外観を再現することである。
低ダイナミックレンジ(LDR)カメラは現実世界のシーンの広いダイナミックレンジを表現することができない。
撮影された画像は暗すぎる(露光)か明るい(露光)かのどちらかであることが判明した。
特に、過剰露出領域での飽和は、単一のldr画像からハイダイナミックレンジ(hdr)画像を再構成する作業に挑戦する。
本稿では,HDR画像の再構成を行いながら,飽和領域の詳細を復元する深層学習手法を提案する。
この問題をイメージ・ツー・イメージ(i2i)翻訳タスクとして定式化する。
この目的のために,HDR-REALおよびHDR-SYNTHデータセットに対して,エンドツーエンドでトレーニングされた新しい条件付きGAN(cGAN)ベースのフレームワークを提案する。
本フレームワークは,事前学習したセグメンテーションモデルから得られた過剰露出マスクを用いて,飽和領域に詳細を追加する幻覚作業を容易にする。
提案手法の有効性を, 現状のHDR再構成技術と比較し, 定量的, 質的な比較を行った。
関連論文リスト
- Intrinsic Single-Image HDR Reconstruction [0.6554326244334868]
そこで本研究では,本質的な領域におけるHDR再構成問題の物理的に着想を得たリモデリングを提案する。
課題を2つの単純なサブタスクに分割することで,多種多様な写真の性能向上が期待できる。
論文 参考訳（メタデータ） (2024-09-20T17:56:51Z) - 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) - 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) - RawHDR: High Dynamic Range Image Reconstruction from a Single Raw Image [36.17182977927645]
高ダイナミックレンジ(RGB)画像は、標準画像よりもはるかに多くの強度レベルをキャプチャする。
現在の方法では、カメラ処理パイプラインによって劣化した8ビット低ダイナミックレンジ(LDR)s画像から、主にHDR画像を生成する。
既存の方法とは異なり、この研究の中心となる考え方は、より情報に富んだRawセンサーデータを取り入れてHDR画像を生成することである。
論文 参考訳（メタデータ） (2023-09-05T07:58:21Z) - SMAE: Few-shot Learning for HDR Deghosting with Saturation-Aware Masked
Autoencoders [97.64072440883392]
そこで本研究では,SSHDRと呼ばれる2段階の訓練を通した短距離HDRイメージングを実現するための,新しい半教師付きアプローチを提案する。
以前の方法とは異なり、コンテンツを直接回復し、ゴーストを同時に除去することは、最適に達成することが難しい。
実験により、SSHDRは異なるデータセットの内外における定量的かつ定性的に最先端の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） (2023-04-14T03:42:51Z) - 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) - 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) - Beyond Visual Attractiveness: Physically Plausible Single Image HDR
Reconstruction for Spherical Panoramas [60.24132321381606]
我々は,単発hdr再構成フレームワークに物理的照度制約を導入する。
本手法は,視覚に訴えるだけでなく,物理的に妥当なHDRを生成することができる。
論文 参考訳（メタデータ） (2021-03-24T01:51:19Z) - 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) - 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)
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。