Fugu-MT 論文翻訳(概要): Joint denoising and HDR for RAW video sequences

論文の概要: Joint denoising and HDR for RAW video sequences

arxiv url: http://arxiv.org/abs/2201.07066v1
Date: Tue, 18 Jan 2022 15:47:41 GMT
ステータス: 処理完了
システム内更新日: 2022-01-19 19:17:44.438110
Title: Joint denoising and HDR for RAW video sequences
Title（参考訳）: RAWビデオ系列の合成とHDR
Authors: A. Buades and O. Martorell and M. S\'anchez-Beeckman
Abstract要約: RAWマルチ露光画像の同時復調・融合のためのパッチベース手法を提案する。提案手法は,実RAWデータを用いて最先端の融合結果が得られることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose a patch-based method for the simultaneous denoising and fusion of a sequence of RAW multi-exposed images. A spatio-temporal criterion is used to select similar patches along the sequence, and a weighted principal component analysis permits to both denoise and fuse the multi exposed data. The overall strategy permits to denoise and fuse the set of images without the need of recovering each denoised image in the multi-exposure set, leading to a very efficient procedure. Several experiments show that the proposed method permits to obtain state-of-the-art fusion results with real RAW data.
Abstract（参考訳）: 本稿では,マルチ露光画像のシーケンスの同時分割と融合のためのパッチベース手法を提案する。時空間的基準を用いて、シーケンスに沿って類似したパッチを選択でき、重み付けされた主成分分析により、マルチ露光データの識別と融合が可能である。全体的な戦略により、複数の露光セットで各露光された画像を復元する必要なしに、画像セットをデノベーションし、融合することが可能となり、非常に効率的な手順となる。いくつかの実験により,提案手法は実RAWデータを用いて最先端の融合結果を得ることができることが示された。

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)
PolMERLIN: Self-Supervised Polarimetric Complex SAR Image Despeckling with Masked Networks [2.580765958706854]
脱スペックリングは合成開口レーダ(SAR)画像の品質向上に重要なノイズ低減タスクである。既存の方法は単一偏光画像のみを扱うため、現代の衛星が捉えた多重偏光画像は扱えない。本稿では,分極関係を利用したチャネルマスキング手法を提案する。
論文参考訳（メタデータ） (2024-01-15T07:06:36Z)
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)
Joint Demosaicing and Denoising with Double Deep Image Priors [5.3686304202729]
現代のデジタルカメラの処理パイプラインにおいて、RAW画像の復号化と復号化は重要なステップである。最近のディープ・ニューラル・ネットワークベースのアプローチは、このような課題を緩和するために、共同の解答と妄想の有効性を示している。本稿では,JDD-DoubleDIPと呼ばれる,RAW画像を直接操作し,トレーニングデータを必要とせずに,新たな共同復調・復調手法を提案する。
論文参考訳（メタデータ） (2023-09-18T01:53:10Z)
Denoising Diffusion Models for Plug-and-Play Image Restoration [135.6359475784627]
本稿では,従来のプラグアンドプレイ方式を拡散サンプリングフレームワークに統合したDiffPIRを提案する。 DiffPIRは、差別的なガウスのデノイザーに依存するプラグアンドプレイIR法と比較して、拡散モデルの生成能力を継承することが期待されている。
論文参考訳（メタデータ） (2023-05-15T20:24:38Z)
CDPMSR: Conditional Diffusion Probabilistic Models for Single Image Super-Resolution [91.56337748920662]
拡散確率モデル(DPM)は画像から画像への変換において広く採用されている。単純だが自明なDPMベースの超解像後処理フレームワーク,すなわちcDPMSRを提案する。本手法は, 定性的および定量的な結果の両面において, 先行試行を超越した手法である。
論文参考訳（メタデータ） (2023-02-14T15:13:33Z)
SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
論文参考訳（メタデータ） (2022-06-09T14:00:26Z)
Self-Supervised Super-Resolution for Multi-Exposure Push-Frame Satellites [13.267489927661797]
提案手法は,入力中の信号依存ノイズ,任意の長さのプロセスシーケンスを処理し,露光時の不正確さに頑健である。現実の高解像度フレームを必要とせずに、セルフスーパービジョンでエンドツーエンドでトレーニングすることができる。提案手法を合成および実データ上で評価し,既存の単一露光手法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-05-04T12:42:57Z)
Efficient joint noise removal and multi exposure fusion [0.0]
マルチ露光融合(Multi-Exposure fusion、MEF)は、異なる露光設定で取得した同一シーンの異なる画像を単一の画像に組み合わせる手法である。ノイズ除去を考慮した新しいマルチ露光画像融合チェーンを提案する。
論文参考訳（メタデータ） (2021-12-04T09:30:10Z)
Fully Unsupervised Diversity Denoising with Convolutional Variational Autoencoders [81.30960319178725]
完全畳み込み変分オートエンコーダ(VAE)に基づく復調手法であるDivNoisingを提案する。まず, 撮像ノイズモデルをデコーダに明示的に組み込むことにより, 教師なしの雑音発生問題をVAEフレームワーク内に定式化する手法を提案する。このようなノイズモデルは、ノイズの多いデータから測定したり、ブートストラップしたり、トレーニング中に共同学習したりすることが可能である。
論文参考訳（メタデータ） (2020-06-10T21:28:13Z)

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。