論文の概要: Cascade Luminance and Chrominance for Image Retouching: More Like Artist

• arxiv url: http://arxiv.org/abs/2205.15999v1
• Date: Tue, 31 May 2022 17:58:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-01 14:56:36.140200
• Title: Cascade Luminance and Chrominance for Image Retouching: More Like Artist
• Title（参考訳）: 画像修正のためのカスケード輝度とクロミナンス:アーティストに近い
• Authors: Hailong Ma, Sibo Feng, Xi Xiao, Chenyu Dong and Xingyue Cheng
• Abstract要約: そこで我々は,まず画像の鮮明化と彩色面への濃淡化を行う2段階ネットワークを提案する。 上記の3つの側面に基づいて、Luminance-Chrominance Cascading Net(LCCNet)は、アーティストを写真修正で模倣する機械学習問題をより合理的に解決する。
• 参考スコア（独自算出の注目度）: 6.116273503284501
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Photo retouching aims to adjust the luminance, contrast, and saturation of the image to make it more human aesthetically desirable. However, artists' actions in photo retouching are difficult to quantitatively analyze. By investigating their retouching behaviors, we propose a two-stage network that brightens images first and then enriches them in the chrominance plane. Six pieces of useful information from image EXIF are picked as the network's condition input. Additionally, hue palette loss is added to make the image more vibrant. Based on the above three aspects, Luminance-Chrominance Cascading Net(LCCNet) makes the machine learning problem of mimicking artists in photo retouching more reasonable. Experiments show that our method is effective on the benchmark MIT-Adobe FiveK dataset, and achieves state-of-the-art performance for both quantitative and qualitative evaluation.
• Abstract（参考訳）: photo retouchingは、画像の輝度、コントラスト、彩度を調整し、より人間の美的に望ましいものにすることを目的としている。 しかし,写真再生におけるアーティストの行動は定量的に分析することは困難である。 そこで我々は,2段階のネットワークを提案し,まず画像の鮮明化と彩色面の濃厚化を図った。 画像EXIFから有用な6つの情報をネットワークの条件入力として選択する。 さらに、色調パレットの損失が加わり、画像がより鮮やかになる。 上記の3つの側面に基づいて、Luminance-Chrominance Cascading Net(LCCNet)は、アーティストを写真修正で模倣する機械学習問題をより合理的に解決する。 実験の結果,提案手法はMIT-Adobe FiveK データセットのベンチマークに有効であり,定量評価と定性評価の両面において最先端の性能が得られた。

関連論文リスト

• A Nerf-Based Color Consistency Method for Remote Sensing Images [0.5735035463793009]
  暗黙の表現を用いて画像特徴を一緒に織り込み、次に特徴空間を再照らし、新しい視点で融合画像を生成する、多視点画像のためのNeRFに基づく色整合法を提案する。 実験結果から,本手法により生成した合成画像は,エッジにおける視覚効果とスムーズな色遷移に優れることがわかった。
  論文  参考訳（メタデータ） (2024-11-08T13:26:07Z)
• CodeEnhance: A Codebook-Driven Approach for Low-Light Image Enhancement [97.95330185793358]
  低照度画像強調(LLIE)は、低照度画像を改善することを目的としている。 既存の手法では、様々な明るさ劣化からの回復の不確実性と、テクスチャと色情報の喪失という2つの課題に直面している。 我々は、量子化された先行値と画像の精細化を利用して、新しいエンハンスメント手法、CodeEnhanceを提案する。
  論文  参考訳（メタデータ） (2024-04-08T07:34:39Z)
• Towards High-Quality Specular Highlight Removal by Leveraging Large-Scale Synthetic Data [45.30068102110486]
  本稿では,1つのオブジェクトレベルの画像から特異なハイライトを取り除くことを目的とする。 そこで本研究では,これらに対処するための3段階ネットワークを提案する。 オブジェクトレベルの画像の大規模な合成データセットを提案する。
  論文  参考訳（メタデータ） (2023-09-12T15:10:23Z)
• Division Gets Better: Learning Brightness-Aware and Detail-Sensitive Representations for Low-Light Image Enhancement [10.899693396348171]
  LCDBNetは、輝度調整ネットワーク(LAN)と色復元ネットワーク(CRN)の2つのブランチで構成されている。 LANは、長距離依存と局所的な注意相関を利用した輝度認識機能を学ぶ責任を負う。 CRNはマルチレベルウェーブレット分解によるディテールセンシティブな特徴の学習に重点を置いている。 最後に、融合ネットワークは、学習した特徴をブレンドして視覚的に印象的な画像を生成するように設計されている。
  論文  参考訳（メタデータ） (2023-07-18T09:52:48Z)
• Designing An Illumination-Aware Network for Deep Image Relighting [69.750906769976]
  本稿では、階層的なサンプリングから1つの画像からシーンを段階的にリライトするためのガイダンスに従うイルミネーション・アウェア・ネットワーク(IAN)を提案する。 さらに、物理レンダリングプロセスの近似として、イルミネーション・アウェア・残留ブロック(IARB)が設計されている。 実験の結果,提案手法は従来の最先端手法よりも定量的,定性的な照準結果が得られることがわかった。
  論文  参考訳（メタデータ） (2022-07-21T16:21:24Z)
• Learning Enriched Illuminants for Cross and Single Sensor Color Constancy [182.4997117953705]
  ネットワークをトレーニングするためのクロスセンサ自己教師型トレーニングを提案する。 センサに依存しない方法で人工発光体をランダムにサンプリングすることでネットワークを訓練する。 実験により、我々のクロスセンサモデルとシングルセンサーモデルは、他の最先端手法よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-21T15:45:35Z)
• Very Lightweight Photo Retouching Network with Conditional Sequential Modulation [42.311196534333284]
  極めて軽量なフレームワーク-条件付き逐次リタッチネットワーク(CSRNet)を提案する。 CSRNetは37K未満のトレーニング可能なパラメータしか含まないが、これは既存の学習ベースの手法よりも桁違いに小さい。 実験では、ベンチマークMIT-Adobe FiveKデータセットで最新のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2021-04-13T15:11:02Z)
• 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)
• Deep CG2Real: Synthetic-to-Real Translation via Image Disentanglement [78.58603635621591]
  画像空間における未ペアの合成-現実翻訳ネットワークの訓練は、厳しい制約下にある。 画像の非交叉シェーディング層とアルベド層に作用する半教師付きアプローチを提案する。 私たちの2段階のパイプラインはまず、物理ベースのレンダリングをターゲットとして、教師付き方法で正確なシェーディングを予測することを学習します。
  論文  参考訳（メタデータ） (2020-03-27T21:45:41Z)
• Self-Supervised Linear Motion Deblurring [112.75317069916579]
  深層畳み込みニューラルネットワークは、画像の劣化の最先端技術である。 本稿では,自己監督型動作遅延に対する識別可能なreblurモデルを提案する。 我々の実験は、自己監督された単一画像の劣化が本当に実現可能であることを実証した。
  論文  参考訳（メタデータ） (2020-02-10T20:15:21Z)

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。