論文の概要: Towards Low Light Enhancement with RAW Images
- arxiv url: http://arxiv.org/abs/2112.14022v1
- Date: Tue, 28 Dec 2021 07:27:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-30 16:08:34.572636
- Title: Towards Low Light Enhancement with RAW Images
- Title（参考訳）: RAW画像を用いた低照度化に向けて
- Authors: Haofeng Huang, Wenhan Yang, Yueyu Hu, Jiaying Liu and Ling-Yu Duan
- Abstract要約: 我々は、低光強度でRAW画像を使用することの優位性について、最初のベンチマークを行う。
本研究では,RAW画像の特性を計測可能な因子に分解するFEM(Facterized Enhancement Model)を新たに開発した。
実アプリケーションにおけるRAW画像の利点と利用不可のトレードオフを生かしたREENet(RAW-guiding Exposure Enhancement Network)を開発した。
- 参考スコア（独自算出の注目度）: 101.35754364753409
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we make the first benchmark effort to elaborate on the
superiority of using RAW images in the low light enhancement and develop a
novel alternative route to utilize RAW images in a more flexible and practical
way. Inspired by a full consideration on the typical image processing pipeline,
we are inspired to develop a new evaluation framework, Factorized Enhancement
Model (FEM), which decomposes the properties of RAW images into measurable
factors and provides a tool for exploring how properties of RAW images affect
the enhancement performance empirically. The empirical benchmark results show
that the Linearity of data and Exposure Time recorded in meta-data play the
most critical role, which brings distinct performance gains in various measures
over the approaches taking the sRGB images as input. With the insights obtained
from the benchmark results in mind, a RAW-guiding Exposure Enhancement Network
(REENet) is developed, which makes trade-offs between the advantages and
inaccessibility of RAW images in real applications in a way of using RAW images
only in the training phase. REENet projects sRGB images into linear RAW domains
to apply constraints with corresponding RAW images to reduce the difficulty of
modeling training. After that, in the testing phase, our REENet does not rely
on RAW images. Experimental results demonstrate not only the superiority of
REENet to state-of-the-art sRGB-based methods and but also the effectiveness of
the RAW guidance and all components.
- Abstract（参考訳）: 本稿では、RAW画像の低照度化における優位性に関する最初のベンチマークを行い、RAW画像をより柔軟かつ実用的な方法で活用するための新しい代替手段を開発する。
一般的な画像処理パイプラインに関する完全な考察に触発されて,生画像の特性を測定可能な要素に分解し,生画像の特性が経験的に向上性能に与える影響を調べるためのツールとして,新たな評価フレームワークであるfactorized enhancement model(fem)の開発に着想を得た。
実験的なベンチマークの結果、メタデータに記録されたデータの線形性と露出時間が最も重要であり、sRGBイメージを入力として扱うアプローチに対する様々な評価において、顕著なパフォーマンス向上をもたらすことが示された。
ベンチマーク結果から得られた知見を念頭に,RAW誘導露光促進ネットワーク(REENet)を開発し,RAW画像の学習段階にのみRAW画像を使用することにより,実アプリケーションにおけるRAW画像の利点と到達不能性をトレードオフする。
REENetは、SRGBイメージを線形RAWドメインにプロジェクトし、対応するRAWイメージに制約を適用し、モデリングの難しさを軽減する。
その後、テストフェーズでは、REENetはRAWイメージに依存しません。
実験結果から, REENetの最先端sRGB法に対する優位性だけでなく, RAWガイダンスと全コンポーネントの有効性が示された。
関連論文リスト
- Retinex-RAWMamba: Bridging Demosaicing and Denoising for Low-Light RAW Image Enhancement [71.13353154514418]
低照度画像の強化、特に生ドメインからsRGBドメインへのマッピングのようなクロスドメインタスクは、依然として大きな課題である。
RAWMambaと呼ばれる新しいMambaスキャニング機構を提案する。
また,Retinex の先行したRetinex Decomposition Module (RDM) も提案する。
論文 参考訳（メタデータ） (2024-09-11T06:12:03Z) - A Learnable Color Correction Matrix for RAW Reconstruction [19.394856071610604]
複雑な逆画像信号処理装置(ISP)を近似する学習可能な色補正行列(CCM)を導入する。
実験結果から,本手法で生成したRAW(simRAW)画像は,より複雑な逆ISP法で生成した画像と同等の性能向上が得られた。
論文 参考訳（メタデータ） (2024-09-04T07:46:42Z) - RAW-Adapter: Adapting Pre-trained Visual Model to Camera RAW Images [51.68432586065828]
本稿では,カメラRAWデータへのsRGB事前学習モデルの適用を目的とした新しいアプローチであるRAW-Adapterを紹介する。
Raw-Adapterは、学習可能なISPステージを使用してRAW入力を調整する入力レベルアダプタと、ISPステージとその後の高レベルネットワーク間の接続を構築するモデルレベルアダプタで構成されている。
論文 参考訳（メタデータ） (2024-08-27T06:14:54Z) - BSRAW: Improving Blind RAW Image Super-Resolution [63.408484584265985]
RAW領域におけるブラインド画像の超解像化に取り組む。
生センサデータを用いたトレーニングモデルに特化した,現実的な劣化パイプラインを設計する。
私たちのパイプラインでトレーニングしたBSRAWモデルは、リアルタイムRAW画像をスケールアップし、品質を向上させることができます。
論文 参考訳（メタデータ） (2023-12-24T14:17:28Z) - Self-Supervised Reversed Image Signal Processing via Reference-Guided
Dynamic Parameter Selection [1.1602089225841632]
メタデータとペア画像を必要としない自己教師付き逆ISP方式を提案する。
提案手法は,RGB画像を参照RAW画像と同じセンサで同一環境で撮影されたRAWライクな画像に変換する。
提案手法は,他の最先端教師付き手法に匹敵する精度で,様々な逆ISPを学習可能であることを示す。
論文 参考訳（メタデータ） (2023-03-24T11:12:05Z) - Raw Image Reconstruction with Learned Compact Metadata [61.62454853089346]
本稿では,メタデータとしての潜在空間におけるコンパクトな表現をエンドツーエンドで学習するための新しいフレームワークを提案する。
提案する生画像圧縮方式は,グローバルな視点から重要な画像領域に適応的により多くのビットを割り当てることができることを示す。
論文 参考訳（メタデータ） (2023-02-25T05:29:45Z) - Reversed Image Signal Processing and RAW Reconstruction. AIM 2022
Challenge Report [109.2135194765743]
本稿では,AIM 2022 Challenge on Reversed Image Signal Processing and RAW Reconstructionを紹介する。
我々は,メタデータを使わずにRGBから生のセンサイメージを回収し,ISP変換を「逆」することを目的としている。
論文 参考訳（メタデータ） (2022-10-20T10:43:53Z) - Model-Based Image Signal Processors via Learnable Dictionaries [6.766416093990318]
デジタルカメラは画像信号処理装置(ISP)を用いてRAW読み出しをRGB画像に変換する
近年のアプローチでは、RGBからRAWマッピングを推定することで、このギャップを埋めようとしている。
本稿では,学習可能かつ解釈可能なハイブリッド・モデルベースかつデータ駆動型ISPを提案する。
論文 参考訳（メタデータ） (2022-01-10T08:36:10Z) - Invertible Image Signal Processing [42.109752151834456]
InvISP(Invertible Image Signal Processing)パイプラインにより、視覚的に魅力的なsRGBイメージをレンダリングできます。
メモリのオーバーヘッドなしにsrgb画像から生データを合成する代わりに、リアルな生データを再構築できる。
論文 参考訳（メタデータ） (2021-03-28T06:30:15Z) - Raw Image Deblurring [24.525466412146358]
RAW画像と処理されたsRGB画像の両方を含む新しいデータセットを構築し、RAW画像のユニークな特性を利用する新しいモデルを設計します。
RAW画像のみをトレーニングしたデブロアリングモデルは,最先端のパフォーマンスを実現し,処理されたsRGB画像上でのトレーニングよりも優れる。
論文 参考訳（メタデータ） (2020-12-08T08:03:09Z)
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。