論文の概要: Invertible Network for Unpaired Low-light Image Enhancement

• arxiv url: http://arxiv.org/abs/2112.13107v1
• Date: Fri, 24 Dec 2021 17:00:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-29 12:43:43.695338
• Title: Invertible Network for Unpaired Low-light Image Enhancement
• Title（参考訳）: 非対向低光画像強調のための可逆ネットワーク
• Authors: Jize Zhang, Haolin Wang, Xiaohe Wu, Wangmeng Zuo
• Abstract要約: 本稿では,非可逆的ネットワークを活用して,前処理における低照度画像の強化と,非対向学習により逆向きに通常の照度画像の劣化を図ることを提案する。 対向的損失に加えて、トレーニングの安定性を確保し、より詳細な画像を保存するために、様々な損失関数を設計する。 低照度画像に対するプログレッシブ自己誘導強調処理を提案し,SOTAに対して良好な性能を示す。
• 参考スコア（独自算出の注目度）: 78.33382003460903
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing unpaired low-light image enhancement approaches prefer to employ the two-way GAN framework, in which two CNN generators are deployed for enhancement and degradation separately. However, such data-driven models ignore the inherent characteristics of transformation between the low and normal light images, leading to unstable training and artifacts. Here, we propose to leverage the invertible network to enhance low-light image in forward process and degrade the normal-light one inversely with unpaired learning. The generated and real images are then fed into discriminators for adversarial learning. In addition to the adversarial loss, we design various loss functions to ensure the stability of training and preserve more image details. Particularly, a reversibility loss is introduced to alleviate the over-exposure problem. Moreover, we present a progressive self-guided enhancement process for low-light images and achieve favorable performance against the SOTAs.
• Abstract（参考訳）: 既存の低照度画像強調手法では、2つのCNNジェネレータを別々に配置し、拡張と分解を行う2方向GANフレームワークが好まれる。 しかし、そのようなデータ駆動モデルは、低照度と通常の光画像間の変換の固有の特性を無視し、不安定なトレーニングとアーティファクトをもたらす。 そこで本研究では,可逆ネットワークを利用してフォワードプロセスにおける低光度画像の強調を行い,非ペア学習で逆光を劣化させる手法を提案する。 生成された実画像は、敵対的学習のための識別器に送られる。 敵の損失に加えて、トレーニングの安定性を確保し、より詳細な画像を保存するために様々な損失関数を設計する。 特に、過剰露光問題を緩和するために可逆性損失を導入する。 さらに,低照度画像に対するプログレッシブ自己誘導強調処理を提案し,SOTAに対して良好な性能を示す。

関連論文リスト

• Semi-LLIE: Semi-supervised Contrastive Learning with Mamba-based Low-light Image Enhancement [59.17372460692809]
  本研究は、平均教師による半教師付き低照度強化(Semi-LLIE)フレームワークを提案する。 照度分布を忠実に伝達するために、意味認識によるコントラスト損失を導入し、自然色による画像の強調に寄与する。 また,大規模な視覚言語認識モデル(RAM)に基づく新たな知覚損失を提案し,よりリッチなテキストによる画像生成を支援する。
  論文  参考訳（メタデータ） (2024-09-25T04:05:32Z)
• 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)
• Zero-Shot Enhancement of Low-Light Image Based on Retinex Decomposition [4.175396687130961]
  本稿ではZERRINNetと呼ばれるゼロショット低照度化手法の学習に基づくRetinex分解を提案する。 本手法は,ペアとアンペアのデータセットのトレーニングデータの影響を受けないゼロ参照拡張手法である。
  論文  参考訳（メタデータ） (2023-11-06T09:57:48Z)
• 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)
• Unsupervised Low Light Image Enhancement Using SNR-Aware Swin Transformer [0.0]
  低照度画像強調は、明るさとコントラストを改善し、視覚的品質を損なうノイズを減らすことを目的としている。 本稿では,Swin Transformerをベースとしたデュアルブランチネットワークを提案する。
  論文  参考訳（メタデータ） (2023-06-03T11:07:56Z)
• INFWIDE: Image and Feature Space Wiener Deconvolution Network for Non-blind Image Deblurring in Low-Light Conditions [32.35378513394865]
  画像と特徴空間Wener deconvolution Network (INFWIDE) と呼ばれる新しい非盲点分解法を提案する。 INFWIDEは、画像空間におけるノイズを除去し、飽和領域を幻覚し、特徴空間におけるリングアーティファクトを抑制する。 合成データと実データを用いた実験は,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2022-07-17T15:22:31Z)
• ReLLIE: Deep Reinforcement Learning for Customized Low-Light Image Enhancement [21.680891925479195]
  低照度画像強調(LLIE)は広く普及するが難しい問題である。 本稿では、低照度化をカスタマイズするReLLIEと呼ばれる新しい深層強化学習手法を提案する。
  論文  参考訳（メタデータ） (2021-07-13T03:36:30Z)
• 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)
• 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。