論文の概要: Image Enhancement via Bilateral Learning

• arxiv url: http://arxiv.org/abs/2112.03888v1
• Date: Tue, 7 Dec 2021 18:30:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-08 14:40:44.847743
• Title: Image Enhancement via Bilateral Learning
• Title（参考訳）: バイラテラル学習による画像強調
• Authors: Saeedeh Rezaee and Nezam Mahdavi-Amiri
• Abstract要約: 本稿では,畳み込みニューラルネットワークに基づく画像強調システムを提案する。 私たちの目標は、畳み込みニューラルネットワークと双方向グリッドという2つのアプローチを効果的に活用することにあります。 提案手法は, 5つの異なる専門家を取り入れながら, 定量的および質的改善の両立を図っている。
• 参考スコア（独自算出の注目度）: 1.4213973379473654
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nowadays, due to advanced digital imaging technologies and internet accessibility to the public, the number of generated digital images has increased dramatically. Thus, the need for automatic image enhancement techniques is quite apparent. In recent years, deep learning has been used effectively. Here, after introducing some recently developed works on image enhancement, an image enhancement system based on convolutional neural networks is presented. Our goal is to make an effective use of two available approaches, convolutional neural network and bilateral grid. In our approach, we increase the training data and the model dimensions and propose a variable rate during the training process. The enhancement results produced by our proposed method, while incorporating 5 different experts, show both quantitative and qualitative improvements as compared to other available methods.
• Abstract（参考訳）: 近年,先進的なデジタル画像技術とインターネットアクセス性により,生成したデジタル画像の数は劇的に増加している。 したがって、自動画像強調技術の必要性は極めて明白である。 近年,ディープラーニングが効果的に利用されている。 本稿では,最近開発された画像強調技術を紹介した後,畳み込みニューラルネットワークを用いた画像強調システムを提案する。 我々の目標は,畳み込みニューラルネットワークとバイラテラルグリッドという,利用可能な2つのアプローチを効果的に活用することである。 本手法では,トレーニングデータとモデル次元を増加させ,トレーニングプロセス中の可変レートを提案する。 提案手法は, 5つの異なる専門家を取り入れながら, 他の方法と比較して, 定量的および質的改善の両立を図っている。

関連論文リスト

• Image edge enhancement for effective image classification [7.470763273994321]
  ニューラルネットワークの精度とトレーニング速度を両立させるエッジ拡張に基づく手法を提案する。 我々のアプローチは、利用可能なデータセット内の画像からエッジなどの高周波特徴を抽出し、元の画像と融合させることである。
  論文  参考訳（メタデータ） (2024-01-13T10:01:34Z)
• Domain Generalization for Mammographic Image Analysis with Contrastive Learning [62.25104935889111]
  効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。 より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。 提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
  論文  参考訳（メタデータ） (2023-04-20T11:40:21Z)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• Bridging Synthetic and Real Images: a Transferable and Multiple Consistency aided Fundus Image Enhancement Framework [61.74188977009786]
  画像強調とドメイン適応を同時に行うために,エンドツーエンドの教師支援フレームワークを提案する。 また,教師ネットワークと学生ネットワークのバックボーンとして,マルチステージ型マルチアテンション・ガイド・エンハンスメント・ネットワーク(MAGE-Net)を提案する。
  論文  参考訳（メタデータ） (2023-02-23T06:16:15Z)
• Augmentation Learning for Semi-Supervised Classification [13.519613713213277]
  本稿では,特定のデータセットに対して最も効果的なデータ拡張ポリシーを自動選択する半教師付き学習手法を提案する。 ImageNet以外のデータセットへの拡張にポリシー学習をどのように適用できるかを示す。
  論文  参考訳（メタデータ） (2022-08-03T10:06:51Z)
• A Comprehensive Survey of Image Augmentation Techniques for Deep Learning [0.0]
  ディープラーニングは、大量の画像を必要とするコンピュータビジョンにおいて、まともなパフォーマンスを実現している。 この問題を緩和するために、多くの画像拡張アルゴリズムが効率的かつ効率的な戦略として提案されている。 本稿では,深層学習のための画像拡張に関する包括的調査を行い,新しい情報的分類法を提案する。
  論文  参考訳（メタデータ） (2022-05-03T13:45:04Z)
• Image Data Augmentation for Deep Learning: A Survey [8.817690876855728]
  我々は、異なる画像データ拡張手法を体系的にレビューする。 本稿では,レビュー手法の分類法を提案し,これらの手法の長所と短所について述べる。 また,3種類のコンピュータビジョンタスクに対して,様々なデータ拡張手法による広範囲な実験を行った。
  論文  参考訳（メタデータ） (2022-04-19T02:05:56Z)
• Enhancing Photorealism Enhancement [83.88433283714461]
  本稿では,畳み込みネットワークを用いた合成画像のリアリズム向上手法を提案する。 一般的に使用されるデータセットのシーンレイアウトの分布を分析し、重要な方法で異なることを見つけます。 近年のイメージ・ツー・イメージ翻訳法と比較して,安定性とリアリズムの大幅な向上が報告されている。
  論文  参考訳（メタデータ） (2021-05-10T19:00:49Z)
• NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
  近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。 我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。 既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
  論文  参考訳（メタデータ） (2020-08-26T17:59:36Z)
• Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
  マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。 我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
  論文  参考訳（メタデータ） (2020-04-30T03:23:45Z)
• MA 3 : Model Agnostic Adversarial Augmentation for Few Shot learning [5.854757988966379]
  本稿では,新しい拡張手法を用いて,数ショット学習の領域を探索する。 本手法は,多目的なデータセットやベースモデルへの拡張を可能にするため,完全に微分可能である。 ネットワークアーキテクチャを変更することなく拡張モジュールを追加することで、約4%の改善を実現しています。
  論文  参考訳（メタデータ） (2020-04-10T16:35:49Z)

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。