論文の概要: LEDNet: Joint Low-light Enhancement and Deblurring in the Dark
- arxiv url: http://arxiv.org/abs/2202.03373v1
- Date: Mon, 7 Feb 2022 17:44:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-08 18:10:05.430317
- Title: LEDNet: Joint Low-light Enhancement and Deblurring in the Dark
- Title（参考訳）: lednet: 暗いところでの低光度強化とデブラリング
- Authors: Shangchen Zhou, Chongyi Li, Chen Change Loy
- Abstract要約: 共同低照度化とデブロアリングのための最初の大規模データセットを提示する。
LOL-Blurは12,000個の低ブルー/ノーマルシャープのペアを含み、異なるシナリオで様々な暗黒と動きのぼかしを持つ。
また,LEDNetと名付けられ,低照度化と劣化を両立させる有効なネットワークを提案する。
- 参考スコア（独自算出の注目度）: 100.24389251273611
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Night photography typically suffers from both low light and blurring issues
due to the dim environment and the common use of long exposure. While existing
light enhancement and deblurring methods could deal with each problem
individually, a cascade of such methods cannot work harmoniously to cope well
with joint degradation of visibility and textures. Training an end-to-end
network is also infeasible as no paired data is available to characterize the
coexistence of low light and blurs. We address the problem by introducing a
novel data synthesis pipeline that models realistic low-light blurring
degradations. With the pipeline, we present the first large-scale dataset for
joint low-light enhancement and deblurring. The dataset, LOL-Blur, contains
12,000 low-blur/normal-sharp pairs with diverse darkness and motion blurs in
different scenarios. We further present an effective network, named LEDNet, to
perform joint low-light enhancement and deblurring. Our network is unique as it
is specially designed to consider the synergy between the two inter-connected
tasks. Both the proposed dataset and network provide a foundation for this
challenging joint task. Extensive experiments demonstrate the effectiveness of
our method on both synthetic and real-world datasets.
- Abstract（参考訳）: 夜間撮影は通常、暗い環境と長時間露光の一般的な使用により、低照度とぼやけた問題の両方に悩まされる。
既存の光増進法や消臭法は個々の問題を個別に扱うことができるが、このような手法のカスケードは、可視性とテクスチャの合同的な劣化に対処するために調和して機能することができない。
低光とぼかしの共存を特徴付けるペアデータがないため、エンドツーエンドネットワークのトレーニングも不可能である。
我々は、現実的な低照度ぼかし劣化をモデル化する新しいデータ合成パイプラインを導入することで、この問題に対処する。
パイプラインでは,低照度強調とデブラリングを併用した最初の大規模データセットを提案する。
データセットであるLOL-Blurは、12,000個の低青色/ノーマルシャープのペアを含み、異なるシナリオでさまざまな暗黒と動きのぼかしを持つ。
さらに,LEDNetという,低照度化と劣化を両立させる有効なネットワークを提案する。
我々のネットワークは、2つの相互接続されたタスク間のシナジーを考慮するよう特別に設計されているため、ユニークなものである。
提案されたデータセットとネットワークは、この困難な共同作業の基礎を提供する。
大規模な実験により,本手法が合成および実世界のデータセットに与える影響を実証した。
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) - Zero-Shot Enhancement of Low-Light Image Based on Retinex Decomposition [4.175396687130961]
本稿ではZERRINNetと呼ばれるゼロショット低照度化手法の学習に基づくRetinex分解を提案する。
本手法は,ペアとアンペアのデータセットのトレーニングデータの影響を受けないゼロ参照拡張手法である。
論文 参考訳（メタデータ） (2023-11-06T09:57:48Z) - Improving Lens Flare Removal with General Purpose Pipeline and Multiple
Light Sources Recovery [69.71080926778413]
フレアアーティファクトは、画像の視覚的品質と下流のコンピュータビジョンタスクに影響を与える。
現在の方法では、画像信号処理パイプラインにおける自動露光やトーンマッピングは考慮されていない。
本稿では、ISPを再検討し、より信頼性の高い光源回収戦略を設計することで、レンズフレア除去性能を向上させるソリューションを提案する。
論文 参考訳（メタデータ） (2023-08-31T04:58:17Z) - Simplifying Low-Light Image Enhancement Networks with Relative Loss
Functions [14.63586364951471]
FLW-Net(Fast and LightWeight Network)と2つの相対損失関数を導入し,低照度画像強調における学習を容易にする。
我々はまず、グローバルコントラストを得るための大きな受容領域の必要性の課題を認識した。
そこで我々は,これらの課題を克服するために,相対情報に基づく効率的なグローバル特徴情報抽出コンポーネントと2つの損失関数を提案する。
論文 参考訳（メタデータ） (2023-04-06T10:05:54Z) - INFWIDE: Image and Feature Space Wiener Deconvolution Network for
Non-blind Image Deblurring in Low-Light Conditions [32.35378513394865]
画像と特徴空間Wener deconvolution Network (INFWIDE) と呼ばれる新しい非盲点分解法を提案する。
INFWIDEは、画像空間におけるノイズを除去し、飽和領域を幻覚し、特徴空間におけるリングアーティファクトを抑制する。
合成データと実データを用いた実験は,提案手法の優れた性能を示す。
論文 参考訳（メタデータ） (2022-07-17T15:22:31Z) - Enhancing Low-Light Images in Real World via Cross-Image Disentanglement [58.754943762945864]
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。
論文 参考訳（メタデータ） (2022-01-10T03:12:52Z) - Progressive Joint Low-light Enhancement and Noise Removal for Raw Images [10.778200442212334]
モバイル機器の低照度撮像は、比較的小さな開口部を通過する入射光が不足しているため、通常困難である。
そこで我々は,共同照明調整,色強調,遮音を行う低照度画像処理フレームワークを提案する。
我々のフレームワークは、他のカメラモデルに適応する際に、大量のデータを再構成する必要はない。
論文 参考訳（メタデータ） (2021-06-28T16:43:52Z) - Degrade is Upgrade: Learning Degradation for Low-light Image Enhancement [52.49231695707198]
2段階の工程で細部と色を精錬しながら、内在的な劣化と低照度画像を照らし出す。
カラー画像の定式化に触発されて,まず低照度入力からの劣化を推定し,環境照明色の歪みをシミュレーションし,そのコンテンツを精錬して拡散照明色の損失を回復した。
LOL1000データセットではPSNRで0.95dB、ExDarkデータセットでは3.18%のmAPでSOTAを上回った。
論文 参考訳（メタデータ） (2021-03-19T04:00:27Z) - 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。