論文の概要: Enhancing Low-Light Images in Real World via Cross-Image Disentanglement

• arxiv url: http://arxiv.org/abs/2201.03145v1
• Date: Mon, 10 Jan 2022 03:12:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-01-11 17:39:47.054311
• Title: Enhancing Low-Light Images in Real World via Cross-Image Disentanglement
• Title（参考訳）: クロスイメージ・ディスタングルによる現実世界の低照度画像のエンハンス
• Authors: Lanqing Guo, Renjie Wan, Wenhan Yang, Alex Kot and Bihan Wen
• Abstract要約: そこで本研究では,現実の汚職とミスアライメントされたトレーニング画像からなる,新しい低照度画像強調データセットを提案する。 本モデルでは,新たに提案したデータセットと,他の一般的な低照度データセットの両方に対して,最先端のパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 58.754943762945864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Images captured in the low-light condition suffer from low visibility and various imaging artifacts, e.g., real noise. Existing supervised enlightening algorithms require a large set of pixel-aligned training image pairs, which are hard to prepare in practice. Though weakly-supervised or unsupervised methods can alleviate such challenges without using paired training images, some real-world artifacts inevitably get falsely amplified because of the lack of corresponded supervision. In this paper, instead of using perfectly aligned images for training, we creatively employ the misaligned real-world images as the guidance, which are considerably easier to collect. Specifically, we propose a Cross-Image Disentanglement Network (CIDN) to separately extract cross-image brightness and image-specific content features from low/normal-light images. Based on that, CIDN can simultaneously correct the brightness and suppress image artifacts in the feature domain, which largely increases the robustness to the pixel shifts. Furthermore, we collect a new low-light image enhancement dataset consisting of misaligned training images with real-world corruptions. Experimental results show that our model achieves state-of-the-art performances on both the newly proposed dataset and other popular low-light datasets.
• Abstract（参考訳）: 低照度環境で撮影された画像は、視認性が低く、ノイズのような様々な画像アーティファクトに苦しむ。 既存の教師付き啓蒙アルゴリズムでは、実際の準備が困難である大量のピクセル対応のトレーニングイメージペアが必要である。 弱い監督の手法や教師なしの手法は、ペアの訓練画像を使うことなくこれらの課題を軽減することができるが、現実のアーティファクトの中には、対応する監督の欠如のために必然的に偽の増幅が行われるものもある。 本稿では,完全に整列した画像をトレーニングに使用するのではなく,実世界の不整列画像を手引きとして創造的に活用し,より収集が容易な手法を提案する。 具体的には、低照度画像からクロスイメージ輝度と画像固有のコンテンツ特徴を別々に抽出するクロスイメージディスタングルネットワーク(CIDN)を提案する。 それに基づいてcidnは、輝度を補正し、特徴領域の画像アーティファクトを抑制することで、ピクセルシフトのロバスト性が大幅に向上する。 さらに,実世界の腐敗を伴う不整合トレーニング画像からなる新しい低照度画像強調データセットを収集した。 実験の結果,本モデルでは,新たに提案するデータセットと一般の低照度データセットの両方において最先端の性能が得られることがわかった。

関連論文リスト

• You Only Need One Color Space: An Efficient Network for Low-light Image Enhancement [50.37253008333166]
  低照度画像強調(LLIE)タスクは、劣化した低照度画像から詳細と視覚情報を復元する傾向がある。 水平/垂直インテンシティ(HVI)と呼ばれる新しいトレーニング可能なカラー空間を提案する。 輝度と色をRGBチャネルから切り離して、拡張中の不安定性を緩和するだけでなく、トレーニング可能なパラメータによって異なる照明範囲の低照度画像にも適応する。
  論文  参考訳（メタデータ） (2024-02-08T16:47:43Z)
• Exposure Bracketing is All You Need for Unifying Image Restoration and Enhancement Tasks [50.822601495422916]
  本稿では,露光ブラケット写真を利用して画像復元と拡張作業を統合することを提案する。 実世界のペアの収集が困難であるため,まず合成ペアデータを用いてモデルを事前学習する手法を提案する。 特に,時間変調リカレントネットワーク(TMRNet)と自己教師あり適応手法を提案する。
  論文  参考訳（メタデータ） (2024-01-01T14:14:35Z)
• Boosting Object Detection with Zero-Shot Day-Night Domain Adaptation [33.142262765252795]
  精巧なデータで訓練された検出器は、可視性が低いため、低照度データに対して顕著な性能低下を示す。 我々は、ゼロショット昼夜領域適応による低照度物体検出の高速化を提案する。 本手法は,低照度データを必要とすることなく,高照度シナリオから低照度シナリオへの検出器の一般化を行う。
  論文  参考訳（メタデータ） (2023-12-02T20:11:48Z)
• Low-Light Image Enhancement with Illumination-Aware Gamma Correction and Complete Image Modelling Network [69.96295927854042]
  低照度環境は通常、情報の少ない大規模な暗黒地帯に繋がる。 本稿では,ガンマ補正の有効性を深層ネットワークのモデリング能力と統合することを提案する。 指数関数演算は高い計算複雑性をもたらすので、Taylor Series を用いてガンマ補正を近似することを提案する。
  論文  参考訳（メタデータ） (2023-08-16T08:46:51Z)
• Enhancing Low-light Light Field Images with A Deep Compensation Unfolding Network [52.77569396659629]
  本稿では,低光環境下で撮像した光場(LF)画像の復元に,DCUNet(Deep compensation network openfolding)を提案する。 このフレームワークは、中間拡張結果を使用して照明マップを推定し、展開プロセスで新しい拡張結果を生成する。 本稿では,LF画像の特徴を適切に活用するために,擬似明示的特徴相互作用モジュールを提案する。
  論文  参考訳（メタデータ） (2023-08-10T07:53:06Z)
• Enhance Images as You Like with Unpaired Learning [8.104571453311442]
  本稿では,低照度から高照度の画像空間における一対多の関係を学習するために,軽量な一経路条件生成対向ネットワーク(cGAN)を提案する。 我々のネットワークは、様々な参照画像上に設定された所定の入力条件から、拡張された画像の集合を生成することを学習する。 我々のモデルは、ノイズとクリーンなデータセットの完全な教師付き手法と同等に競合する視覚的および定量的な結果を得る。
  論文  参考訳（メタデータ） (2021-10-04T03:00:44Z)
• R2RNet: Low-light Image Enhancement via Real-low to Real-normal Network [7.755223662467257]
  本稿ではR2RNetと呼ばれる低照度画像強調のための新しいReal-low to Real-normal Networkを提案する。 合成画像で訓練された他のほとんどの方法とは異なり、我々は最初の大規模実世界ペアロー/ノーマルライト画像データセットを収集する。 提案手法はコントラストを適切に改善し,ノイズを同時に抑制することができる。
  論文  参考訳（メタデータ） (2021-06-28T09:33:13Z)
• LEUGAN:Low-Light Image Enhancement by Unsupervised Generative Attentional Networks [4.584570928928926]
  低照度画像強調タスクを処理するために,注意誘導型教師なし生成ネットワークを提案する。 具体的には,よりシャープなエッジを復元するエッジ補助モジュールと,よりリアルなカラーを復元するアテンション誘導モジュールの2つを含む。 実験では,提案アルゴリズムが最新手法に対して好適に動作することを検証した。
  論文  参考訳（メタデータ） (2020-12-24T16:49:19Z)
• 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。