論文の概要: Efficient Progressive High Dynamic Range Image Restoration via Attention
and Alignment Network
- arxiv url: http://arxiv.org/abs/2204.09213v1
- Date: Wed, 20 Apr 2022 03:42:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-21 13:52:07.587950
- Title: Efficient Progressive High Dynamic Range Image Restoration via Attention
and Alignment Network
- Title(参考訳): 注意・アライメントネットワークによる効率的高ダイナミックレンジ画像復元
- Authors: Gaocheng Yu, Jin Zhang, Zhe Ma, Hongbin Wang
- Abstract要約: NTIRE 2022 HDR Track 1 と Track 2 の課題に対して,EAPNet (Efficient Attention-and-alignment-Guided Progressive Network) と呼ばれる軽量ニューラルネットワークを提案する。
EAPNetは、最先端の手法と比較して、ms-PSNRとPSNRで約20倍の圧縮を実現している。
- 参考スコア(独自算出の注目度): 9.927778791293207
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: HDR is an important part of computational photography technology. In this
paper, we propose a lightweight neural network called Efficient
Attention-and-alignment-guided Progressive Network (EAPNet) for the challenge
NTIRE 2022 HDR Track 1 and Track 2. We introduce a multi-dimensional
lightweight encoding module to extract features. Besides, we propose
Progressive Dilated U-shape Block (PDUB) that can be a progressive
plug-and-play module for dynamically tuning MAccs and PSNR. Finally, we use
fast and low-power feature-align module to deal with misalignment problem in
place of the time-consuming Deformable Convolutional Network (DCN). The
experiments show that our method achieves about 20 times compression on MAccs
with better mu-PSNR and PSNR compared to the state-of-the-art method. We got
the second place of both two tracks during the testing phase. Figure1. shows
the visualized result of NTIRE 2022 HDR challenge.
- Abstract(参考訳): HDRは計算写真技術の重要部分である。
本稿では,ntire 2022 hdrトラック1とトラック2に対して,高効率注意誘導型プログレッシブネットワーク(eapnet)と呼ばれる軽量ニューラルネットワークを提案する。
特徴抽出のための多次元軽量符号化モジュールを提案する。
また,maccとpsnrを動的にチューニングするためのプログレッシブプラグアンドプレイモジュールであるprogressive dilated u-shape block (pdub)を提案する。
最後に,DCN(Deformable Convolutional Network)の代わりに,高速かつ低消費電力な機能アライメントモジュールを用いて誤調整問題に対処する。
実験の結果,本手法はms-PSNR法とPSNR法に比較して,MAccの約20倍の圧縮を実現していることがわかった。
テストフェーズでは、両方のトラックの2位を獲得しました。
図1。
NTIRE 2022 HDR Challengeの可視化結果を示す。
関連論文リスト
- DMDC: Dynamic-mask-based dual camera design for snapshot Hyperspectral
Imaging [3.3946853660795884]
本稿では,RGBカメラとCASSIシステムを組み合わせた動的マスク方式のデュアルカメラシステムを提案する。
まず、RGB画像に基づいてシーンの空間的特徴分布を学習し、SLMに各シーンをエンコードするよう指示し、最後にRGB画像とCASSI画像の両方をネットワークに送信して再構成を行う。
さらに,2つのネットワークからなるDMDC-net,マスクの動的調整のための小型CNNベースの動的マスクネットワーク,RGBおよびCASSI測定を用いた再構成のためのマルチモーダル再構成ネットワークを設計した。
論文 参考訳(メタデータ) (2023-08-03T05:10:58Z) - 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) - Spatially-Adaptive Feature Modulation for Efficient Image
Super-Resolution [90.16462805389943]
視覚変換器(ViT)のようなブロック上に,空間適応型特徴変調(SAFM)機構を開発する。
提案法は最先端のSR法よりも3倍程度小さい。
論文 参考訳(メタデータ) (2023-02-27T14:19:31Z) - Event-guided Multi-patch Network with Self-supervision for Non-uniform
Motion Deblurring [113.96237446327795]
本稿では,ぼやけた画像やビデオを扱うための,イベント誘導型深層階層型マルチパッチネットワークを提案する。
また、ビデオ内の複雑なぼやけに対処するために、動画に含まれる動きの手がかりを利用するイベント誘導アーキテクチャを提案する。
我々のMPNは、現在のマルチスケール手法に比べて40倍高速なランタイムでGoProとVideoDeblurringデータセットの最先端を達成しています。
論文 参考訳(メタデータ) (2023-02-14T15:58:00Z) - A Perceptually Optimized and Self-Calibrated Tone Mapping Operator [41.83376753140113]
我々は、自己校正され、知覚的に最適化された2段階のニューラルネットワークベースのTMOを開発する。
まず,HDR画像を正常化したラプラシアピラミッドに分解した。
ステージ2では、入力されたHDR画像を自己校正して最終LDR画像を算出する。
論文 参考訳(メタデータ) (2022-06-18T08:06:29Z) - NTIRE 2022 Challenge on High Dynamic Range Imaging: Methods and Results [173.32437855731752]
この課題はCVPR 2022と共同でNTIRE(New Trends in Image Restoration and Enhancement)ワークショップの一環として行われた。
この課題は、複数の低ダイナミックレンジ(LDR)観測からHDR画像を推定することを目的としている。
論文 参考訳(メタデータ) (2022-05-25T10:20:06Z) - LightFuse: Lightweight CNN based Dual-exposure Fusion [7.462670458670122]
極端二重露光画像融合のための軽量CNNベースのアルゴリズムであるLightFuseを提案する。
GlobalNet (G) と DetailNet (D) の2つのサブネットワークが利用されている。
我々のPSNRスコアは、他の最先端のアプローチを1.2倍から1.6倍上回る。
論文 参考訳(メタデータ) (2021-07-05T22:10:29Z) - ADNet: Attention-guided Deformable Convolutional Network for High
Dynamic Range Imaging [21.237888314569815]
ハンドヘルド多フレームハイダイナミックレンジ(HDR)イメージングのための注意誘導型変形可能な畳み込みネットワーク(ADNet)を提案する。
この問題は、飽和度とノイズを適切に処理する方法と、物体の動きやカメラのジッタリングによる誤認識にどのように対処するかという難解な2つの課題から成り立っている。
提案したADNetは,従来の手法と比較して最先端性能を示し,PSNR-$l$ 39.4471,PSNR-$mu$ 37.6359 in NTIRE 2021 Multi-Frame HDR Challengeを達成している。
論文 参考訳(メタデータ) (2021-05-22T11:37:09Z) - EDPN: Enhanced Deep Pyramid Network for Blurry Image Restoration [35.109423240718165]
複数の劣化からぼやけた画像復元のための拡張深層ピラミッドネットワーク(EDPN)を提案する。
NTIRE 2021 Image Deblurring Challengeでは、EDPNはトラック1で最高のPSNR/SSIM/LPIPSスコア、トラック2で最高のSSIM/LPIPSスコアを達成しました。
論文 参考訳(メタデータ) (2021-05-11T08:50:20Z) - Multi-Stage Progressive Image Restoration [167.6852235432918]
本稿では、これらの競合する目標を最適にバランスできる新しい相乗的設計を提案する。
本提案では, 劣化した入力の復元関数を段階的に学習する多段階アーキテクチャを提案する。
MPRNetという名前の密接な相互接続型マルチステージアーキテクチャは、10のデータセットに対して強力なパフォーマンス向上を実現している。
論文 参考訳(メタデータ) (2021-02-04T18:57:07Z) - Single-Image HDR Reconstruction by Learning to Reverse the Camera
Pipeline [100.5353614588565]
本稿では,LDR画像形成パイプラインの領域知識をモデルに組み込むことを提案する。
我々は,HDRto-LDR画像形成パイプラインを(1)ダイナミックレンジクリッピング,(2)カメラ応答関数からの非線形マッピング,(3)量子化としてモデル化する。
提案手法は,最先端の単一画像HDR再構成アルゴリズムに対して良好に動作することを示す。
論文 参考訳(メタデータ) (2020-04-02T17:59:04Z)
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。