論文の概要: DRHDR: A Dual branch Residual Network for Multi-Bracket High Dynamic
Range Imaging
- arxiv url: http://arxiv.org/abs/2206.04124v1
- Date: Wed, 8 Jun 2022 18:46:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-10 15:23:11.587966
- Title: DRHDR: A Dual branch Residual Network for Multi-Bracket High Dynamic
Range Imaging
- Title(参考訳): DRHDR:マルチブラケット高ダイナミックレンジイメージングのための二重分岐残差ネットワーク
- Authors: Juan Mar\'in-Vega, Michael Sloth, Peter Schneider-Kamp, Richard
R\"ottger
- Abstract要約: マルチブラケットHDRイメージングのための2分岐残差畳み込みニューラルネットワークDRを提案する。
二重分岐アプローチを用いることで、HDR結果を推定するために必要な計算資源を制約しながら、高品質な結果が得られる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce DRHDR, a Dual branch Residual Convolutional Neural Network for
Multi-Bracket HDR Imaging. To address the challenges of fusing multiple
brackets from dynamic scenes, we propose an efficient dual branch network that
operates on two different resolutions. The full resolution branch uses a
Deformable Convolutional Block to align features and retain high-frequency
details. A low resolution branch with a Spatial Attention Block aims to attend
wanted areas from the non-reference brackets, and suppress displaced features
that could incur on ghosting artifacts. By using a dual branch approach we are
able to achieve high quality results while constraining the computational
resources required to estimate the HDR results.
- Abstract(参考訳): DRHDR(Dual branch Residual Convolutional Neural Network for Multi-Bracket HDR Imaging)を紹介する。
動的シーンから複数のブラケットを融合する課題に対処するため,2つの異なる解像度で動作する効率的なデュアルブランチネットワークを提案する。
フルレゾリューションブランチでは、Deformable Convolutional Blockを使用して機能を整列し、高周波の詳細を保持する。
空間的注意ブロックを持つ低解像度のブランチは、非参照括弧から所望の領域に到達し、ゴーストのアーティファクトを発生させるような配置のずれを抑えることを目的としている。
二重分岐アプローチを用いることで、HDR結果を推定するために必要な計算資源を制約しながら、高品質な結果が得られる。
関連論文リスト
- The Devil is in the Details: Boosting Guided Depth Super-Resolution via
Rethinking Cross-Modal Alignment and Aggregation [41.12790340577986]
誘導深度超解像(GDSR)は、同じシーンの高解像度のRGB画像を用いて、行方不明の深度の詳細を復元する。
それまでのアプローチでは、マルチモーダル入力の不均一性と相補性に苦慮し、モーダルなミスアライメント、幾何学的なミスアライメント、特徴選択といった問題を無視してきた。
論文 参考訳(メタデータ) (2024-01-16T05:37:08Z) - Dual Residual Attention Network for Image Denoising [19.978731146465822]
画像復調において、深部畳み込みニューラルネットワーク(CNN)は、空間不変ノイズの除去に好適な性能を得ることができる。
本稿では,画像認識のための新しいDual-branch Residual Attention Network(DRANet)を提案する。
我々のDRANetは、合成ノイズ除去と実世界のノイズ除去の両方で競合するノイズ除去性能を得ることができる。
論文 参考訳(メタデータ) (2023-05-07T13:11:55Z) - 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) - Gated Multi-Resolution Transfer Network for Burst Restoration and
Enhancement [75.25451566988565]
低画質の原画像のバーストから空間的精度の高い高画質画像を再構成する新しいGated Multi-Resolution Transfer Network (GMTNet)を提案する。
5つのデータセットに関する詳細な実験分析は、我々のアプローチを検証し、バースト超解像、バーストデノイング、低照度バーストエンハンスメントのための最先端技術を設定する。
論文 参考訳(メタデータ) (2023-04-13T17:54:00Z) - SJ-HD^2R: Selective Joint High Dynamic Range and Denoising Imaging for
Dynamic Scenes [17.867412310873732]
Ghosting artifacts, Motion blur, Lowfidelity in highlightは、高ダイナミックレンジ(LDR)イメージングにおける主な課題である。
本稿では,2つのサブネットワークを含むHDRとデノナイズパイプラインを提案する。
私たちは、最初の共同HDRとデノナイジングベンチマークデータセットを作成します。
論文 参考訳(メタデータ) (2022-06-20T07:49:56Z) - Progressive and Selective Fusion Network for High Dynamic Range Imaging [28.639647755164916]
本稿では,LDR画像からシーンのHDR画像を生成する問題について考察する。
近年の研究では、ディープラーニングを採用し、エンドツーエンドで問題を解決することで、大幅なパフォーマンス向上を実現している。
本稿では,2つのアイデアに基づいて特徴を融合させる新しい手法を提案する。1つは多段階の特徴融合であり,我々のネットワークは同じ構造を持つブロックのスタックに徐々に特徴を融合させる。
論文 参考訳(メタデータ) (2021-08-19T09:42:03Z) - Crosslink-Net: Double-branch Encoder Segmentation Network via Fusing
Vertical and Horizontal Convolutions [58.71117402626524]
医用画像分割のための新しいダブルブランチエンコーダアーキテクチャを提案する。
1)正方形畳み込みカーネルによる特徴の識別をさらに改善する必要があるため,非正方形および水平畳み込みカーネルの利用を提案する。
実験では,4つのデータセット上でのモデルの有効性を検証した。
論文 参考訳(メタデータ) (2021-07-24T02:58:32Z) - Multi-Attention Generative Adversarial Network for Remote Sensing Image
Super-Resolution [17.04588012373861]
画像超解像(SR)法では,空間分解能の高いリモートセンシング画像を生成することができる。
本稿では,GAN(Generative Adversarial Network)に基づく高解像度リモートセンシング画像を生成するネットワークを提案する。
論文 参考訳(メタデータ) (2021-07-14T08:06:19Z) - 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) - Gated Fusion Network for Degraded Image Super Resolution [78.67168802945069]
本稿では,基本特徴と回復特徴を別々に抽出する二分岐畳み込みニューラルネットワークを提案する。
特徴抽出ステップを2つのタスク非依存ストリームに分解することで、デュアルブランチモデルがトレーニングプロセスを容易にすることができる。
論文 参考訳(メタデータ) (2020-03-02T13:28:32Z) - DDet: Dual-path Dynamic Enhancement Network for Real-World Image
Super-Resolution [69.2432352477966]
実画像超解像(Real-SR)は、実世界の高分解能画像(HR)と低分解能画像(LR)の関係に焦点を当てている。
本稿では,Real-SRのためのデュアルパス動的拡張ネットワーク(DDet)を提案する。
特徴表現のための大規模な畳み込みブロックを積み重ねる従来の手法とは異なり、非一貫性のある画像対を研究するためのコンテンツ認識フレームワークを導入する。
論文 参考訳(メタデータ) (2020-02-25T18:24:51Z)
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。