論文の概要: An Effective Image Restorer: Denoising and Luminance Adjustment for
Low-photon-count Imaging
- arxiv url: http://arxiv.org/abs/2110.15715v2
- Date: Tue, 2 Nov 2021 01:56:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-03 11:04:28.239825
- Title: An Effective Image Restorer: Denoising and Luminance Adjustment for
Low-photon-count Imaging
- Title（参考訳）: 有効画像復元装置 : 低光子数イメージングのためのデノイジングと輝度調整
- Authors: Shansi Zhang and Edmund Y. Lam
- Abstract要約: 量子画像センサ(QIS)のイメージングシミュレーションによる低光子数条件下での原像復元
我々は,多層ピラミッド遮音ネットワーク (MPDNet) と輝度調整モジュール (LA) から構成される軽量なフレームワークを開発し,個別の遮音・照度向上を実現する。
画像復元装置は、雑音を抑え、輝度と色を効果的に回復することにより、様々な光子レベルの劣化画像に対して優れた性能が得られる。
- 参考スコア（独自算出の注目度）: 6.358214877782411
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Imaging under photon-scarce situations introduces challenges to many
applications as the captured images are with low signal-to-noise ratio and poor
luminance. In this paper, we investigate the raw image restoration under
low-photon-count conditions by simulating the imaging of quanta image sensor
(QIS). We develop a lightweight framework, which consists of a multi-level
pyramid denoising network (MPDNet) and a luminance adjustment (LA) module to
achieve separate denoising and luminance enhancement. The main component of our
framework is the multi-skip attention residual block (MARB), which integrates
multi-scale feature fusion and attention mechanism for better feature
representation. Our MPDNet adopts the idea of Laplacian pyramid to learn the
small-scale noise map and larger-scale high-frequency details at different
levels, and feature extractions are conducted on the multi-scale input images
to encode richer contextual information. Our LA module enhances the luminance
of the denoised image by estimating its illumination, which can better avoid
color distortion. Extensive experimental results have demonstrated that our
image restorer can achieve superior performance on the degraded images with
various photon levels by suppressing noise and recovering luminance and color
effectively.
- Abstract（参考訳）: 光子硬化の状況下での撮像は、撮像された画像が信号対雑音比が低く、輝度が低いため、多くの応用に課題をもたらす。
本稿では,quantaイメージセンサ(qis)の撮像をシミュレーションし,低光子数条件下での生画像復元について検討する。
我々は,多層ピラミッド遮音ネットワーク (MPDNet) と輝度調整モジュール (LA) から構成される軽量なフレームワークを開発し,個別の遮音・照度向上を実現する。
本フレームワークの主なコンポーネントはマルチスキップアテンション残差ブロック(MARB)であり,マルチスケール機能融合とアテンション機構を統合して特徴表現を改善する。
我々のMPDNetは、ラプラシアンピラミッドの概念を採用して、様々なレベルの小型ノイズマップと大規模高周波の詳細を学習し、よりリッチな文脈情報をエンコードするマルチスケール入力画像に特徴抽出を行う。
我々のLAモジュールは、その照明を推定することで、偏光画像の輝度を向上し、色歪みを回避できる。
広汎な実験結果から,ノイズを抑え,輝度や色を効果的に回復することにより,劣化した画像に対して様々な光子レベルで優れた性能が得られることが示された。
関連論文リスト
- 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) - A Non-Uniform Low-Light Image Enhancement Method with Multi-Scale
Attention Transformer and Luminance Consistency Loss [11.585269110131659]
低照度画像強調は、薄暗い環境で収集された画像の知覚を改善することを目的としている。
既存の方法では、識別された輝度情報を適応的に抽出することができず、露光過多や露光過多を容易に引き起こすことができる。
MSATrというマルチスケールアテンション変換器を提案し,光バランスの局所的・グローバル的特徴を十分に抽出し,視覚的品質を向上させる。
論文 参考訳（メタデータ） (2023-12-27T10:07:11Z) - LDM-ISP: Enhancing Neural ISP for Low Light with Latent Diffusion Models [54.93010869546011]
本稿では,事前学習した潜伏拡散モデルを用いて,超低照度画像の高精細化のためのニューラルISPを実現することを提案する。
具体的には、RAWドメイン上で動作するために事前訓練された潜在拡散モデルを調整するために、軽量なテーミングモジュールのセットをトレーニングする。
遅延拡散モデルにおけるUNet復調と復号化の異なる役割を観察し、低照度画像強調タスクを遅延空間低周波コンテンツ生成と復号位相高周波ディテール保守に分解するきっかけとなる。
論文 参考訳（メタデータ） (2023-12-02T04:31:51Z) - 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) - Seeing Through The Noisy Dark: Toward Real-world Low-Light Image
Enhancement and Denoising [125.56062454927755]
現実の低照度環境は通常、光やハードウェアの限界が不足しているため、視界が低く、騒音が重い。
我々は、RLED-Net(Real-world Low-light Enhancement & Denoising Network)と呼ばれる新しいエンドツーエンド手法を提案する。
論文 参考訳（メタデータ） (2022-10-02T14:57:23Z) - LRT: An Efficient Low-Light Restoration Transformer for Dark Light Field
Images [9.926231893220063]
近年の低照度化のための学習手法には欠点がある。
LF画像に対する効率的な低照度復元変換器(LRT)を提案する。
提案手法は,低照度かつノイズの多いLF画像の復元において,優れた性能が得られることを示す。
論文 参考訳（メタデータ） (2022-09-06T03:23:58Z) - Lightweight HDR Camera ISP for Robust Perception in Dynamic Illumination
Conditions via Fourier Adversarial Networks [35.532434169432776]
照明とノイズ除去の逐次的バランスをとる軽量な2段階画像強調アルゴリズムを提案する。
また、異なる照明条件下での一貫した画像強調のためのフーリエスペクトルベース対向フレームワーク(AFNet)を提案する。
また,定量的および定性的な評価に基づいて,画像強調技術が共通認識タスクの性能に与える影響について検討した。
論文 参考訳（メタデータ） (2022-04-04T18:48:51Z) - 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) - 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) - Deep Bilateral Retinex for Low-Light Image Enhancement [96.15991198417552]
低照度画像は、低コントラスト、色歪み、測定ノイズによる視界の低下に悩まされる。
本稿では,低照度画像強調のための深層学習手法を提案する。
提案手法は最先端の手法と非常に競合し, 極めて低照度で撮影した画像の処理において, 他に比べて大きな優位性を有する。
論文 参考訳（メタデータ） (2020-07-04T06:26:44Z)
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。