論文の概要: Semi-supervised atmospheric component learning in low-light image
problem
- arxiv url: http://arxiv.org/abs/2204.07546v1
- Date: Fri, 15 Apr 2022 17:06:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-18 13:44:33.442428
- Title: Semi-supervised atmospheric component learning in low-light image
problem
- Title（参考訳）: 低光度画像問題における半教師付き大気成分学習
- Authors: Masud An Nur Islam Fahim and Nazmus Saqib and Jung Ho Yub
- Abstract要約: 環境照明条件は、写真装置から画像の知覚的品質を決定する上で重要な役割を担っている。
本研究では,低照度画像復元のための非参照画像品質指標を用いた半教師付きトレーニング手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ambient lighting conditions play a crucial role in determining the perceptual
quality of images from photographic devices. In general, inadequate
transmission light and undesired atmospheric conditions jointly degrade the
image quality. If we know the desired ambient factors associated with the given
low-light image, we can recover the enhanced image easily \cite{b1}. Typical
deep networks perform enhancement mappings without investigating the light
distribution and color formulation properties. This leads to a lack of image
instance-adaptive performance in practice. On the other hand, physical
model-driven schemes suffer from the need for inherent decompositions and
multiple objective minimizations. Moreover, the above approaches are rarely
data efficient or free of postprediction tuning. Influenced by the above
issues, this study presents a semisupervised training method using no-reference
image quality metrics for low-light image restoration. We incorporate the
classical haze distribution model \cite{b2} to explore the physical properties
of the given image in order to learn the effect of atmospheric components and
minimize a single objective for restoration. We validate the performance of our
network for six widely used low-light datasets. The experiments show that the
proposed study achieves state-of-the-art or comparable performance.
- Abstract（参考訳）: 環境照明条件は、写真装置から画像の知覚品質を決定する上で重要な役割を果たす。
一般に、不適切な透過光と望ましくない大気条件が共同で画質を劣化させる。
与えられた低照度画像に関連付けられた所望の環境因子を知れば、拡張された画像が容易に \cite{b1} を復元できる。
典型的なディープネットワークは、光分布と色形成特性を調査せずに強調マッピングを行う。
これにより、実際にイメージインスタンス適応性能が欠如する。
一方、物理モデル駆動型スキームは、固有の分解と複数の目的最小化の必要性に悩まされる。
さらに、上記のアプローチはデータ効率が良く、予測後のチューニングがないことは滅多にない。
本研究は,低照度画像復元のための非参照画像品質指標を用いた半教師付きトレーニング手法を提案する。
従来のヘイズ分布モデルである \cite{b2} を用いて, 大気成分の影響を学習し, 修復目的の1つを最小化するために, 与えられた画像の物理的性質を探索する。
広範に使用される6つの低照度データセットに対して,ネットワークの性能を検証する。
実験の結果,本研究は最先端あるいは同等の性能が得られることが示された。
関連論文リスト
- 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) - SCRNet: a Retinex Structure-based Low-light Enhancement Model Guided by
Spatial Consistency [22.54951703413469]
本稿では,SCRNet(Spatial Consistency Retinex Network)と呼ばれる,新しい低照度画像強調モデルを提案する。
提案モデルでは, 空間的整合性の原理に着想を得て, チャネルレベル, セマンティックレベル, テクスチャレベルという3つのレベルの整合性を考慮した。
様々な低照度画像データセットに対する広範囲な評価は、提案したSCRNetが既存の最先端手法より優れていることを示している。
論文 参考訳（メタデータ） (2023-05-14T03:32:19Z) - Low-Light Image Enhancement by Learning Contrastive Representations in
Spatial and Frequency Domains [8.741111756168916]
照度補正ネットワークにコントラスト学習を組み込んで,抽象表現を学習し,様々な低照度条件を識別することを提案する。
光条件が画像の周波数成分を変化させることを考えると、空間領域と周波数領域の両方で表現が学習され比較される。
その結果,提案手法は,他の最先端技術と比較して質的,定量的な結果が得られることがわかった。
論文 参考訳（メタデータ） (2023-03-23T16:32:49Z) - 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) - 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) - Low-Light Image Enhancement with Normalizing Flow [92.52290821418778]
本稿では,この一対多の関係を正規化フローモデルを用いてモデル化する。
低照度画像/特徴を条件として取り、通常露光される画像の分布をガウス分布にマッピングすることを学ぶ可逆ネットワーク。
既存のベンチマークデータセットによる実験結果から,提案手法はより定量的,質的な結果を得ることができ,照度が良く,ノイズやアーティファクトが小さく,色も豊かになることがわかった。
論文 参考訳（メタデータ） (2021-09-13T12:45:08Z) - Deep Bilateral Retinex for Low-Light Image Enhancement [96.15991198417552]
低照度画像は、低コントラスト、色歪み、測定ノイズによる視界の低下に悩まされる。
本稿では,低照度画像強調のための深層学習手法を提案する。
提案手法は最先端の手法と非常に競合し, 極めて低照度で撮影した画像の処理において, 他に比べて大きな優位性を有する。
論文 参考訳（メタデータ） (2020-07-04T06:26:44Z) - 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) - Learning an Adaptive Model for Extreme Low-light Raw Image Processing [5.706764509663774]
画質向上のための適応型低照度生画像強調ネットワークを提案する。
提案手法は、最先端の低照度アルゴリズムと比較してノイズレベル推定(NLE)のスコアが低い。
ビデオ処理における潜在的な応用について概説する。
論文 参考訳（メタデータ） (2020-04-22T09:01:07Z)
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。