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: 処理完了
- 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
- Spectrum-inspired Low-light Image Translation for Saliency Detection [23.368690302292563]
そこで本研究では,高照度画像を低照度画像に変換する手法を提案し,それを実写低照度画像のプロキシとして利用する。
何千ものパラメータと膨大な量のトレーニングデータを必要とする一般的なディープラーニングアプローチとは異なり、提案された変換は高速でシンプルで、低光深度推定のような他のタスクにも容易に拡張できる。
本実験により, プロキシ低照度画像上でトレーニングした最先端の精度検出および深度推定ネットワークは, 既存の戦略を用いてトレーニングしたネットワークに比べて, 実際の低照度画像に対して有意に優れた性能を示した。
論文 参考訳(メタデータ) (2023-03-17T17:30:42Z) - Seeing Through The Noisy Dark: Toward Real-world Low-Light Image
Enhancement and Denoising [125.56062454927755]
現実の低照度環境は通常、光やハードウェアの限界が不足しているため、視界が低く、騒音が重い。
我々は、RLED-Net(Real-world Low-light Enhancement & Denoising Network)と呼ばれる新しいエンドツーエンド手法を提案する。
論文 参考訳(メタデータ) (2022-10-02T14:57:23Z) - Invertible Network for Unpaired Low-light Image Enhancement [78.33382003460903]
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。
論文 参考訳(メタデータ) (2021-12-24T17:00:54Z) - 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) - Relighting Images in the Wild with a Self-Supervised Siamese
Auto-Encoder [62.580345486483886]
本研究では,野生の単一ビュー画像の自己教師付きリライティング手法を提案する。
この方法は、イメージを2つの別々のエンコーディングに分解するオートエンコーダに基づいている。
Youtube 8MやCelebAなどの大規模データセットでモデルをトレーニングします。
論文 参考訳(メタデータ) (2020-12-11T16:08:50Z) - Syn2Real Transfer Learning for Image Deraining using Gaussian Processes [92.15895515035795]
CNNに基づく画像デライニング手法は,再現誤差や視覚的品質の点で優れた性能を発揮している。
実世界の完全ラベル付き画像デライニングデータセットを取得する上での課題により、既存の手法は合成されたデータのみに基づいて訓練される。
本稿では,ガウス過程に基づく半教師付き学習フレームワークを提案する。
論文 参考訳(メタデータ) (2020-06-10T00:33:18Z) - 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。