論文の概要: Unsupervised HDR Imaging: What Can Be Learned from a Single 8-bit Video?
- arxiv url: http://arxiv.org/abs/2202.05522v1
- Date: Fri, 11 Feb 2022 09:28:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-14 16:36:49.849775
- Title: Unsupervised HDR Imaging: What Can Be Learned from a Single 8-bit Video?
- Title(参考訳): 監督なしHDRイメージング:8ビットビデオから何が学べるか?
- Authors: Francesco Banterle, Demetris Marnerides, Kurt Debattista, Thomas
Bashford-Rogers
- Abstract要約: 一つのSDRビデオが、他の最先端手法と同等かそれ以上の画質のHDRビデオを生成するのに十分であることを示す。
提案したゼロショットアプローチでは、多くの場合、単一のSDRビデオが、他の最先端手法と比べて、同じ品質のHDRビデオを生成するのに十分であることを示す。
- 参考スコア(独自算出の注目度): 6.272672280446366
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recently, Deep Learning-based methods for inverse tone-mapping standard
dynamic range (SDR) images to obtain high dynamic range (HDR) images have
become very popular. These methods manage to fill over-exposed areas
convincingly both in terms of details and dynamic range. Typically, these
methods, to be effective, need to learn from large datasets and to transfer
this knowledge to the network weights. In this work, we tackle this problem
from a completely different perspective. What can we learn from a single SDR
video? With the presented zero-shot approach, we show that, in many cases, a
single SDR video is sufficient to be able to generate an HDR video of the same
quality or better than other state-of-the-art methods.
- Abstract(参考訳): 近年,高ダイナミックレンジ(HDR)画像を得るための逆トーンマッピング標準ダイナミックレンジ(SDR)画像のディープラーニングに基づく手法が広く普及している。
これらの手法は、詳細とダイナミックレンジの両面で説得力のある過剰な領域を埋めることができる。
通常、これらの手法は効果的に大規模なデータセットから学習し、この知識をネットワーク重みに転送する必要がある。
この研究では、全く異なる観点からこの問題に取り組みます。
単一のSDRビデオから何が学べるか?
提案するゼロショット方式では,多くの場合,単一のsdrビデオが,他の最先端の手法と同等かそれ以上の品質のhdrビデオを生成するのに十分であることを示す。
関連論文リスト
- HDR-GS: Efficient High Dynamic Range Novel View Synthesis at 1000x Speed via Gaussian Splatting [76.5908492298286]
既存のHDR NVS法は主にNeRFに基づいている。
既存のHDR NVS法は主にNeRFに基づいており、長いトレーニング時間と遅い推論速度に悩まされている。
我々は,新しいHDRビューを効率よくレンダリングできる新しいフレームワークであるHigh Dynamic Range Gaussian Splatting (-GS)を提案する。
論文 参考訳(メタデータ) (2024-05-24T00:46:58Z) - 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) - RawHDR: High Dynamic Range Image Reconstruction from a Single Raw Image [36.17182977927645]
高ダイナミックレンジ(RGB)画像は、標準画像よりもはるかに多くの強度レベルをキャプチャする。
現在の方法では、カメラ処理パイプラインによって劣化した8ビット低ダイナミックレンジ(LDR)s画像から、主にHDR画像を生成する。
既存の方法とは異なり、この研究の中心となる考え方は、より情報に富んだRawセンサーデータを取り入れてHDR画像を生成することである。
論文 参考訳(メタデータ) (2023-09-05T07:58:21Z) - Online Overexposed Pixels Hallucination in Videos with Adaptive
Reference Frame Selection [90.35085487641773]
低ダイナミックレンジ(LDR)カメラは広いダイナミックレンジ入力に対応できず、しばしば局所的な露出問題を引き起こす。
複雑な処理機構を使わずにこれらの成果物を削減できる学習ベースシステムを提案する。
論文 参考訳(メタデータ) (2023-08-29T17:40:57Z) - 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) - Supervised Image Segmentation for High Dynamic Range Imaging [0.13537117504260618]
本研究の目的は,各画像の最も目に見える領域を画像分割の助けを借りて抽出することである。
手動しきい値と大津しきい値の2つの方法が検討され、これらの領域をトレーニングするためにニューラルネットワークが使用される。
ニューラルネットワークが画像の可視部分を許容的に分割できることが示される。
論文 参考訳(メタデータ) (2022-12-06T14:25:26Z) - 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) - HDR-cGAN: Single LDR to HDR Image Translation using Conditional GAN [24.299931323012757]
低ダイナミックレンジ(LDR)カメラは、現実世界のシーンの広いダイナミックレンジを表現できない。
本研究では,HDR画像の再構成を行いながら,飽和領域の詳細を復元する深層学習手法を提案する。
本稿では,HDR-REALデータセットとHDR-SYNTHデータセットに対して,エンドツーエンドでトレーニングされた新しい条件付きGAN(cGAN)ベースのフレームワークを提案する。
論文 参考訳(メタデータ) (2021-10-04T18:50:35Z) - A Two-stage Deep Network for High Dynamic Range Image Reconstruction [0.883717274344425]
本研究では,新しい2段階深層ネットワークを提案することにより,シングルショットLDRからHDRマッピングへの課題に取り組む。
提案手法は,カメラ応答機能(CRF)や露光設定など,ハードウェア情報を知ることなくHDR画像の再構築を図ることを目的とする。
論文 参考訳(メタデータ) (2021-04-19T15:19:17Z) - 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。