論文の概要: DA-DRN: Degradation-Aware Deep Retinex Network for Low-Light Image
Enhancement
- arxiv url: http://arxiv.org/abs/2110.01809v1
- Date: Tue, 5 Oct 2021 03:53:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-06 14:02:47.625586
- Title: DA-DRN: Degradation-Aware Deep Retinex Network for Low-Light Image
Enhancement
- Title（参考訳）: da-drn:低光度画像強調のための分解対応ディープレチネックスネットワーク
- Authors: Xinxu Wei, Xianshi Zhang, Shisen Wang, Cheng Cheng, Yanlin Huang,
Kaifu Yang, and Yongjie Li
- Abstract要約: 低照度画像強調のための劣化対応深部網膜ネットワーク(DA-DRN)を提案する。
Retinex Theoryに基づいて、我々のモデルにおける分解ネットは、低照度画像を反射率と照明マップに分解することができる。
提案手法は, 良好なルバスト性および一般化によって有望な効果を発揮することを示すため, 広範囲な実験を行った。
- 参考スコア（独自算出の注目度）: 14.75902042351609
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Images obtained in real-world low-light conditions are not only low in
brightness, but they also suffer from many other types of degradation, such as
color distortion, unknown noise, detail loss and halo artifacts. In this paper,
we propose a Degradation-Aware Deep Retinex Network (denoted as DA-DRN) for
low-light image enhancement and tackle the above degradation. Based on Retinex
Theory, the decomposition net in our model can decompose low-light images into
reflectance and illumination maps and deal with the degradation in the
reflectance during the decomposition phase directly. We propose a
Degradation-Aware Module (DA Module) which can guide the training process of
the decomposer and enable the decomposer to be a restorer during the training
phase without additional computational cost in the test phase. DA Module can
achieve the purpose of noise removal while preserving detail information into
the illumination map as well as tackle color distortion and halo artifacts. We
introduce Perceptual Loss to train the enhancement network to generate the
brightness-improved illumination maps which are more consistent with human
visual perception. We train and evaluate the performance of our proposed model
over the LOL real-world and LOL synthetic datasets, and we also test our model
over several other frequently used datasets without Ground-Truth (LIME, DICM,
MEF and NPE datasets). We conduct extensive experiments to demonstrate that our
approach achieves a promising effect with good rubustness and generalization
and outperforms many other state-of-the-art methods qualitatively and
quantitatively. Our method only takes 7 ms to process an image with 600x400
resolution on a TITAN Xp GPU.
- Abstract（参考訳）: 実世界の低照度条件で得られた画像は明るさが低いだけでなく、色歪、未知のノイズ、細部損失、haloアーティファクトなど、他の多くの種類の劣化も抱えている。
本稿では,低照度画像強調のための劣化対応深部網膜ネットワーク(DA-DRN)を提案する。
レチネックス理論に基づき、このモデルにおける分解ネットは、低光度画像を反射率および照明写像に分解し、分解相中の反射率の劣化を直接扱うことができる。
そこで本研究では, 分解器の学習過程を誘導し, 試験段階での計算コストを増すことなく, 学習段階での復元機となることを可能にする分解対応モジュール(daモジュール)を提案する。
DAモジュールは、照明マップに詳細な情報を保持しながらノイズ除去の目的を達成するとともに、色歪みやハロアーティファクトに取り組むことができる。
本稿では,人間の視覚知覚に合致した輝度改善照明マップを生成するために,強調ネットワークを訓練するために知覚損失を導入する。
我々は、LOL実世界およびLOL合成データセット上で提案したモデルの性能を訓練し、評価し、また、Ground-Truth(LIME、DICM、MEF、NPEデータセット)を使わずに、使用頻度の高い複数のデータセット上でモデルをテストする。
我々は,本手法が優れたルバスト性および一般化によって有望な効果を達成し,他の多くの最先端手法を質的かつ定量的に上回ることを示すための広範な実験を行った。
TITAN Xp GPU上で600×400の解像度で画像を処理するには7ミリ秒しかかからない。
関連論文リスト
- RSEND: Retinex-based Squeeze and Excitation Network with Dark Region Detection for Efficient Low Light Image Enhancement [1.7356500114422735]
より正確で簡潔で一段階のRetinex理論に基づくフレームワークRSENDを提案する。
RSENDはまず、低照度画像を照明マップと反射マップに分割し、照明マップの重要な詳細をキャプチャして光強調を行う。
我々の効率の良いRetinexモデルは、他のCNNベースモデルよりも大幅に優れており、異なるデータセットで0.44dBから4.2dBまでのPSNRの改善を実現している。
論文 参考訳（メタデータ） (2024-06-14T01:36:52Z) - Improving Lens Flare Removal with General Purpose Pipeline and Multiple
Light Sources Recovery [69.71080926778413]
フレアアーティファクトは、画像の視覚的品質と下流のコンピュータビジョンタスクに影響を与える。
現在の方法では、画像信号処理パイプラインにおける自動露光やトーンマッピングは考慮されていない。
本稿では、ISPを再検討し、より信頼性の高い光源回収戦略を設計することで、レンズフレア除去性能を向上させるソリューションを提案する。
論文 参考訳（メタデータ） (2023-08-31T04:58:17Z) - Enhancing Low-light Light Field Images with A Deep Compensation Unfolding Network [52.77569396659629]
本稿では,低光環境下で撮像した光場(LF)画像の復元に,DCUNet(Deep compensation network openfolding)を提案する。
このフレームワークは、中間拡張結果を使用して照明マップを推定し、展開プロセスで新しい拡張結果を生成する。
本稿では,LF画像の特徴を適切に活用するために,擬似明示的特徴相互作用モジュールを提案する。
論文 参考訳（メタデータ） (2023-08-10T07:53:06Z) - LLDiffusion: Learning Degradation Representations in Diffusion Models
for Low-Light Image Enhancement [118.83316133601319]
現在の低照度画像強調(LLIE)の深層学習法は、通常、ペア化されたデータから学んだピクセルワイドマッピングに依存している。
本稿では,拡散モデルを用いたLLIEの劣化認識学習手法を提案する。
論文 参考訳（メタデータ） (2023-07-27T07:22:51Z) - Retinexformer: One-stage Retinex-based Transformer for Low-light Image
Enhancement [96.09255345336639]
低照度画像の高精細化のために,原理化された1段Retinex-based Framework (ORF) を定式化する。
ORFはまず照明情報を推定し、低照度画像を照らす。
我々のアルゴリズムであるRetinexformerは13のベンチマークで最先端の手法を大幅に上回っている。
論文 参考訳（メタデータ） (2023-03-12T16:54:08Z) - KinD-LCE Curve Estimation And Retinex Fusion On Low-Light Image [7.280719886684936]
本稿では,低照度化のためのアルゴリズムを提案する。
KinD-LCEは、Retinex分解画像の照明マップを強化するために光曲線推定モジュールを使用する。
照明マップと反射マップ融合モジュールも提案され、画像の詳細を復元し、詳細損失を低減した。
論文 参考訳（メタデータ） (2022-07-19T11:49:21Z) - 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) - BLNet: A Fast Deep Learning Framework for Low-Light Image Enhancement
with Noise Removal and Color Restoration [14.75902042351609]
我々は、Bringing the Lightness(BLNet)と呼ばれる非常に高速なディープラーニングフレームワークを提案する。
Retinex Theoryに基づいて、我々のモデルにおける分解ネットは、低照度画像を反射率と照明に分解することができる。
提案手法は, 良好なルバスト性および一般化によって有望な効果を発揮することを示すため, 広範囲な実験を行った。
論文 参考訳（メタデータ） (2021-06-30T10:06:16Z) - 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)
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。