論文の概要: FlexHDR: Modelling Alignment and Exposure Uncertainties for Flexible HDR
Imaging
- arxiv url: http://arxiv.org/abs/2201.02625v1
- Date: Fri, 7 Jan 2022 14:27:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-11 16:44:26.977056
- Title: FlexHDR: Modelling Alignment and Exposure Uncertainties for Flexible HDR
Imaging
- Title(参考訳): FlexHDR:フレキシブルHDRイメージングのためのアライメントと露出の不確かさのモデル化
- Authors: Sibi Catley-Chandar, Thomas Tanay, Lucas Vandroux, Ale\v{s} Leonardis,
Gregory Slabaugh, Eduardo P\'erez-Pellitero
- Abstract要約: 高品質なHDR結果を生成するためにアライメントと露出の不確かさをモデル化する新しいHDRイメージング技術を提案する。
本研究では,HDRを意識した不確実性を考慮したアライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・
実験結果から,本手法は最先端の高画質HDR画像を最大0.8dBPSNRで生成できることがわかった。
- 参考スコア(独自算出の注目度): 0.9185931275245008
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High dynamic range (HDR) imaging is of fundamental importance in modern
digital photography pipelines and used to produce a high-quality photograph
with well exposed regions despite varying illumination across the image. This
is typically achieved by merging multiple low dynamic range (LDR) images taken
at different exposures. However, over-exposed regions and misalignment errors
due to poorly compensated motion result in artefacts such as ghosting. In this
paper, we present a new HDR imaging technique that specifically models
alignment and exposure uncertainties to produce high quality HDR results. We
introduce a strategy that learns to jointly align and assess the alignment and
exposure reliability using an HDR-aware, uncertainty-driven attention map that
robustly merges the frames into a single high quality HDR image. Further, we
introduce a progressive, multi-stage image fusion approach that can flexibly
merge any number of LDR images in a permutation-invariant manner. Experimental
results show our method can produce better quality HDR images with up to 0.8dB
PSNR improvement to the state-of-the-art, and subjective improvements in terms
of better detail, colours, and fewer artefacts.
- Abstract(参考訳): 高ダイナミックレンジ(hdr)イメージングは、現代のデジタル写真パイプラインにおいて極めて重要であり、画像の照度が異なるにもかかわらず、良好な露出領域を持つ高品質な写真を生成するために使用される。
これは典型的には、異なる露光で撮影された複数の低ダイナミックレンジ(LDR)画像をマージすることで達成される。
しかし, 過度に露出した領域と, 補償が不十分な動作による誤認識により, ゴーストなどの人工物が生じる。
本稿では,高品質なHDR結果を生成するためにアライメントと露出の不確実性をモデル化する新しいHDRイメージング手法を提案する。
我々は,フレームを高品質なHDR画像に頑健にマージする,HDR対応不確実性駆動型アテンションマップを用いて,アライメントと露出の信頼性を協調的に調整し,評価する戦略を導入する。
さらに,複数のLDR画像を順列不変な方法でフレキシブルにマージ可能な,プログレッシブな多段階画像融合手法を提案する。
実験結果から,提案手法は高画質のHDR画像を最大0.8dBPSNRで作成し,高精細度,色,少ない工芸品の主観的改善を図った。
関連論文リスト
- HistoHDR-Net: Histogram Equalization for Single LDR to HDR Image
Translation [12.45632443397018]
高ダイナミックレンジ(HDR)イメージングは、現実世界のシーンの高画質と明快さを再現することを目的としている。
この文献は、低ダイナミックレンジ(Low Dynamic Range, LDR)からのHDR画像再構成のための様々なデータ駆動手法を提供している。
これらのアプローチの共通する制限は、再構成されたHDR画像の領域における詳細が欠けていることである。
細部を復元するためのシンプルで効果的な手法Histo-Netを提案する。
論文 参考訳(メタデータ) (2024-02-08T20:14:46Z) - Towards High-quality HDR Deghosting with Conditional Diffusion Models [88.83729417524823]
高ダイナミックレンジ(LDR)画像は、既存のディープニューラルネットワーク(DNN)技術により、複数の低ダイナミックレンジ(LDR)画像から復元することができる。
DNNは、LDR画像が飽和度と大きな動きを持つ場合、ゴーストアーティファクトを生成する。
拡散モデルの条件としてLDR特徴を利用する画像生成としてHDRデゴースト問題を定式化する。
論文 参考訳(メタデータ) (2023-11-02T01:53:55Z) - Perceptual Assessment and Optimization of High Dynamic Range Image
Rendering [28.908904384838017]
既存のモデルは、主に低ダイナミックレンジ(LDR)画像用に設計されており、HDR画像の品質に対する人間の認識と相関が低い。
本稿では,近年のLDR領域の進歩を伝達することによって,HDR品質指標のファミリを提案する。
我々のメトリクスは、HDR-VDPファミリを含む既存の手法よりも一貫して優れています。
論文 参考訳(メタデータ) (2023-10-19T16:32:18Z) - Self-Supervised High Dynamic Range Imaging with Multi-Exposure Images in
Dynamic Scenes [58.66427721308464]
Selfは、訓練中にダイナミックなマルチ露光画像のみを必要とする自己教師型再構成手法である。
Selfは最先端の自己管理手法に対して優れた結果を出し、教師付き手法に匹敵するパフォーマンスを実現している。
論文 参考訳(メタデータ) (2023-10-03T07:10:49Z) - Joint Denoising and Fusion with Short- and Long-exposure Raw Pairs [9.278560676845181]
デノイングと高ダイナミックレンジ(露光)イメージングは、ジェネリックイメージセンサーの小さな開口とセンサーサイズのために重要な課題であるが、難しい問題である。
現在の方法では、ブラケット付き露光sRGB画像の集合から主にHDR画像を生成する。
従来の手法とは異なり、この研究の中心となる考え方は、信号対雑音比の短い露光画像と長い露光画像の差を利用して、HDR画像を生成して雑音化することである。
論文 参考訳(メタデータ) (2023-06-17T10:10:15Z) - SMAE: Few-shot Learning for HDR Deghosting with Saturation-Aware Masked
Autoencoders [97.64072440883392]
そこで本研究では,SSHDRと呼ばれる2段階の訓練を通した短距離HDRイメージングを実現するための,新しい半教師付きアプローチを提案する。
以前の方法とは異なり、コンテンツを直接回復し、ゴーストを同時に除去することは、最適に達成することが難しい。
実験により、SSHDRは異なるデータセットの内外における定量的かつ定性的に最先端の手法より優れていることが示された。
論文 参考訳(メタデータ) (2023-04-14T03:42:51Z) - GlowGAN: Unsupervised Learning of HDR Images from LDR Images in the Wild [74.52723408793648]
そこで本研究では,HDR画像の生成モデルを構築するための第1の手法について述べる。
鍵となる考え方は、GAN(Generative Adversarial Network)を訓練して、様々な露光下でLDRに投影された場合、実際のLDR画像と区別できないHDR画像を生成することである。
実験の結果,GlowGANはランドスケープ,雷,窓など多くの難題において,光現実的HDR画像を合成できることがわかった。
論文 参考訳(メタデータ) (2022-11-22T15:42:08Z) - Self-supervised HDR Imaging from Motion and Exposure Cues [14.57046548797279]
本稿では,学習可能なHDR推定のための新たな自己教師型アプローチを提案する。
実験の結果,提案手法を用いて訓練したHDRモデルは,全監督下で訓練したモデルと性能の競争力を発揮することがわかった。
論文 参考訳(メタデータ) (2022-03-23T10:22:03Z) - Beyond Visual Attractiveness: Physically Plausible Single Image HDR
Reconstruction for Spherical Panoramas [60.24132321381606]
我々は,単発hdr再構成フレームワークに物理的照度制約を導入する。
本手法は,視覚に訴えるだけでなく,物理的に妥当なHDRを生成することができる。
論文 参考訳(メタデータ) (2021-03-24T01:51:19Z) - Deep Snapshot HDR Imaging Using Multi-Exposure Color Filter Array [14.5106375775521]
本稿では,有効損失と入力データの正規化を同時に実現する輝度正規化の考え方を紹介する。
2つの公開HDR画像データセットを用いた実験結果から,我々のフレームワークが他のスナップショット手法より優れていることが示された。
論文 参考訳(メタデータ) (2020-11-20T06:31:37Z) - HDR-GAN: HDR Image Reconstruction from Multi-Exposed LDR Images with
Large Motions [62.44802076971331]
マルチ露光LDR画像からHDR画像を合成するための新しいGANモデルHDR-GANを提案する。
本手法は,敵対学習を取り入れることで,欠落したコンテンツのある領域に忠実な情報を生成することができる。
論文 参考訳(メタデータ) (2020-07-03T11:42:35Z)
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。