論文の概要: Learning with Nested Scene Modeling and Cooperative Architecture Search for Low-Light Vision

• arxiv url: http://arxiv.org/abs/2112.04719v1
• Date: Thu, 9 Dec 2021 06:08:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-10 14:59:53.008542
• Title: Learning with Nested Scene Modeling and Cooperative Architecture Search for Low-Light Vision
• Title（参考訳）: 低照度ビジョンのためのネステッドシーンモデリングと協調的アーキテクチャ探索による学習
• Authors: Risheng Liu and Long Ma and Tengyu Ma and Xin Fan and Zhongxuan Luo
• Abstract要約: 低照度シーンから撮影された画像は、しばしば深刻な劣化に悩まされる。 低照度画像の視覚的品質を高めるために深層学習法が提案されている。 他の低照度ビジョンアプリケーションを扱うために、これらの拡張テクニックを拡張することは依然として困難である。
• 参考スコア（独自算出の注目度）: 95.45256938467237
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Images captured from low-light scenes often suffer from severe degradations, including low visibility, color cast and intensive noises, etc. These factors not only affect image qualities, but also degrade the performance of downstream Low-Light Vision (LLV) applications. A variety of deep learning methods have been proposed to enhance the visual quality of low-light images. However, these approaches mostly rely on significant architecture engineering to obtain proper low-light models and often suffer from high computational burden. Furthermore, it is still challenging to extend these enhancement techniques to handle other LLVs. To partially address above issues, we establish Retinex-inspired Unrolling with Architecture Search (RUAS), a general learning framework, which not only can address low-light enhancement task, but also has the flexibility to handle other more challenging downstream vision applications. Specifically, we first establish a nested optimization formulation, together with an unrolling strategy, to explore underlying principles of a series of LLV tasks. Furthermore, we construct a differentiable strategy to cooperatively search specific scene and task architectures for RUAS. Last but not least, we demonstrate how to apply RUAS for both low- and high-level LLV applications (e.g., enhancement, detection and segmentation). Extensive experiments verify the flexibility, effectiveness, and efficiency of RUAS.
• Abstract（参考訳）: 低照度シーンから撮影された画像は、視認性、カラーキャスト、集中雑音など、深刻な劣化に悩まされることが多い。 これらの要因は画質に影響を与えるだけでなく、下流の低照度(LLV)アプリケーションの性能も低下させる。 低照度画像の視覚品質を高めるために,様々なディープラーニング手法が提案されている。 しかし、これらのアプローチは主に適切な低光度モデルを得るために重要なアーキテクチャ工学に依存しており、しばしば高い計算負荷に苦しむ。 さらに、他のLLVを扱うためにこれらの拡張テクニックを拡張することは依然として困難である。 上記の問題に部分的に対処するために、我々は、低照度拡張タスクに対処できるだけでなく、他のより困難な下流視覚アプリケーションに対処する柔軟性を持つ一般的な学習フレームワークであるRetinex-inspired Unrolling with Architecture Search (RUAS)を確立する。 具体的には、まずネスト最適化の定式化とアンロール戦略を併用して、一連のLLVタスクの基本原理について検討する。 さらに,RUASの特定のシーンやタスクアーキテクチャを協調的に探索する,異なる戦略を構築する。 最後に、低レベルと高レベルの両方のllvアプリケーション(例:強化、検出、セグメンテーション)にruasを適用する方法を示します。 広範な実験は、ruasの柔軟性、有効性、効率性を検証する。

関連論文リスト

• Learning a Single Convolutional Layer Model for Low Light Image Enhancement [43.411846299085575]
  低照度画像強調(LLIE)は、光照射不足による画像の照度向上を目的としている。 粗く強化された結果として,グローバルな低照度化を実現する単一畳み込み層モデル(SCLM)を提案する。 実験結果から,提案手法は客観的指標と主観的視覚効果の両方において,最先端のLLIE法に対して良好に機能することが示された。
  論文  参考訳（メタデータ） (2023-05-23T13:12:00Z)
• Self-Aligned Concave Curve: Illumination Enhancement for Unsupervised Adaptation [36.050270650417325]
  ハイレベルビジョンのための学習可能な照明強調モデルを提案する。 実際のカメラ応答関数にインスパイアされた照明強調関数は凹凸曲線であると仮定する。 我々のモデルアーキテクチャとトレーニングデザインは相互に恩恵を受け、強力な教師なし正規-低照度適応フレームワークを形成する。
  論文  参考訳（メタデータ） (2022-10-07T19:32:55Z)
• Toward Fast, Flexible, and Robust Low-Light Image Enhancement [87.27326390675155]
  我々は、現実の低照度シナリオにおいて、高速でフレキシブルで頑健な鮮明化のための新しい自己校正イルミネーション(SCI)学習フレームワークを開発した。 カスケードパターンの計算負担を考慮すると、各ステージの結果の収束を実現する自己校正モジュールを構築する。 我々は,SCI固有の特性について,操作不感適応性やモデル非関係の一般性を含む包括的探索を行う。
  論文  参考訳（メタデータ） (2022-04-21T14:40:32Z)
• Low-light Image Enhancement by Retinex Based Algorithm Unrolling and Adjustment [50.13230641857892]
  本稿では,低照度画像強調(LIE)問題に対する新たなディープラーニングフレームワークを提案する。 提案フレームワークは,大域的明るさと局所的明るさ感度の両方を考慮したアルゴリズムアンロールと調整ネットワークに着想を得た分解ネットワークを含む。 一連の典型的なLIEデータセットの実験では,既存の手法と比較して,定量的かつ視覚的に,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-02-12T03:59:38Z)
• A Practical Contrastive Learning Framework for Single-Image Super-Resolution [51.422185656787285]
  コントラスト学習に基づく単一画像の超解像を2つの視点から検討する。 SISR のための実践的コントラスト学習フレームワーク PCL-SR を提案する。 既存のベンチマーク手法と比較して,提案手法をPCL-SRフレームワークで再学習し,優れた性能を実現する。
  論文  参考訳（メタデータ） (2021-11-27T15:42:12Z)
• 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)
• Retinex-inspired Unrolling with Cooperative Prior Architecture Search for Low-light Image Enhancement [58.72667941107544]
  低照度画像のための軽量で効果的な拡張ネットワークを構築するために,Retinex-inspired Unrolling with Architecture Search (RUAS)を提案する。 RUASは、高速かつ少ない計算リソースで、最高性能の画像強化ネットワークを得ることができます。
  論文  参考訳（メタデータ） (2020-12-10T11:51:23Z)
• Unsupervised Low-light Image Enhancement with Decoupled Networks [103.74355338972123]
  我々は、実世界の低照度画像を教師なしで拡張する2段階のGANベースのフレームワークを学習する。 提案手法は,照度向上と雑音低減の両面から,最先端の教師なし画像強調法より優れる。
  論文  参考訳（メタデータ） (2020-05-06T13:37:08Z)

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。