Fugu-MT 論文翻訳(概要): SJ-HD^2R: Selective Joint High Dynamic Range and Denoising Imaging for Dynamic Scenes

論文の概要: SJ-HD^2R: Selective Joint High Dynamic Range and Denoising Imaging for Dynamic Scenes

arxiv url: http://arxiv.org/abs/2206.09611v1
Date: Mon, 20 Jun 2022 07:49:56 GMT
ステータス: 処理完了
システム内更新日: 2022-06-22 18:41:35.031186
Title: SJ-HD^2R: Selective Joint High Dynamic Range and Denoising Imaging for Dynamic Scenes
Title（参考訳）: sj-hd^2r : 選択的関節高ダイナミックレンジと動的シーンのデノージングイメージング
Authors: Wei Li, Shuai Xiao, Tianhong Dai, Shanxin Yuan, Tao Wang, Cheng Li, Fenglong Song
Abstract要約: 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。
参考スコア（独自算出の注目度）: 17.867412310873732
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Ghosting artifacts, motion blur, and low fidelity in highlight are the main challenges in High Dynamic Range (HDR) imaging from multiple Low Dynamic Range (LDR) images. These issues come from using the medium-exposed image as the reference frame in previous methods. To deal with them, we propose to use the under-exposed image as the reference to avoid these issues. However, the heavy noise in dark regions of the under-exposed image becomes a new problem. Therefore, we propose a joint HDR and denoising pipeline, containing two sub-networks: (i) a pre-denoising network (PreDNNet) to adaptively denoise input LDRs by exploiting exposure priors; (ii) a pyramid cascading fusion network (PCFNet), introducing an attention mechanism and cascading structure in a multi-scale manner. To further leverage these two paradigms, we propose a selective and joint HDR and denoising (SJ-HD$^2$R) imaging framework, utilizing scenario-specific priors to conduct the path selection with an accuracy of more than 93.3$\%$. We create the first joint HDR and denoising benchmark dataset, which contains a variety of challenging HDR and denoising scenes and supports the switching of the reference image. Extensive experiment results show that our method achieves superior performance to previous methods.
Abstract（参考訳）: 複数の低ダイナミックレンジ (LDR) 画像からの高ダイナミックレンジ (HDR) イメージングの主な課題は、ゴーストアーティファクト、動きのぼやけ、強調の低忠実さである。これらの問題は、以前の方法の参照フレームとして中間露出画像を使用することから生じる。そこで本研究では,これらの問題を回避するために,未公開画像を参照することを提案する。しかし、露光画像の暗黒領域における重騒音は新しい問題となっている。そこで我々は,2つのサブネットワークを含む共同HDRとデノナイズパイプラインを提案する。 i) 露出先行情報を利用して入力LDRを適応的に復調するプレデノナイズネットワーク(PreDNNet) (II) ピラミッドカスケード核融合ネットワーク(PCFNet) を複数スケールで導入し, 注意機構とカスケード構造を導入する。この2つのパラダイムをさらに活用するために,シナリオ固有の事前設定を用いて,93.3$$$$$ 以上の精度で経路選択を行う選択的および合同型hdrおよびデノージング(sj-hd$^2$r)イメージングフレームワークを提案する。我々は,HDRとdenoisingのさまざまなシーンを含む最初の共同HDRとdenoisingベンチマークデータセットを作成し,参照画像の切り替えをサポートする。その結果,本手法は従来手法よりも優れた性能を示した。

関連論文リスト

Retinex-RAWMamba: Bridging Demosaicing and Denoising for Low-Light RAW Image Enhancement [71.13353154514418]
低照度画像の強化、特に生ドメインからsRGBドメインへのマッピングのようなクロスドメインタスクは、依然として大きな課題である。 RAWMambaと呼ばれる新しいMambaスキャニング機構を提案する。また,Retinex の先行したRetinex Decomposition Module (RDM) も提案する。
論文参考訳（メタデータ） (2024-09-11T06:12:03Z)
Generating Content for HDR Deghosting from Frequency View [56.103761824603644]
近年の拡散モデル (DM) はHDRイメージング分野に導入されている。 DMは画像全体を推定するために大きなモデルで広範囲の反復を必要とする。ゴーストフリーHDRイメージングのための低周波数対応拡散(LF-Diff)モデルを提案する。
論文参考訳（メタデータ） (2024-04-01T01:32:11Z)
Event-based Asynchronous HDR Imaging by Temporal Incident Light Modulation [54.64335350932855]
我々は,HDRイメージングの課題に関する重要な知見に基づいて,Pixel-Asynchronous HDRイメージングシステムを提案する。提案システムでは,DVS(Dynamic Vision Sensors)とLCDパネルを統合する。 LCDパネルは、その透過性を変化させてDVSの照射インシデントを変調し、ピクセル非依存のイベントストリームをトリガーする。
論文参考訳（メタデータ） (2024-03-14T13:45:09Z)
Towards High-quality HDR Deghosting with Conditional Diffusion Models [88.83729417524823]
高ダイナミックレンジ(LDR)画像は、既存のディープニューラルネットワーク(DNN)技術により、複数の低ダイナミックレンジ(LDR)画像から復元することができる。 DNNは、LDR画像が飽和度と大きな動きを持つ場合、ゴーストアーティファクトを生成する。拡散モデルの条件としてLDR特徴を利用する画像生成としてHDRデゴースト問題を定式化する。
論文参考訳（メタデータ） (2023-11-02T01:53:55Z)
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)
HDR Imaging with Spatially Varying Signal-to-Noise Ratios [15.525314212209564]
低照度HDRイメージングでは、1つの露光におけるノイズは空間的に変化する。既存の画像復号化アルゴリズムとHDR融合アルゴリズムはどちらもこの状況に対処できない。本研究では,空間変化高ダイナミックレンジ(SV-)融合ネットワークと呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2023-03-30T09:32:29Z)
Deep Progressive Feature Aggregation Network for High Dynamic Range Imaging [24.94466716276423]
本研究では,動的シーンにおけるHDR画像の画質向上のための高度な特徴集約ネットワークを提案する。提案手法は,高対応特徴を暗黙的にサンプリングし,それらを粗い方法で集約してアライメントする。実験の結果,提案手法は異なるシーン下での最先端性能を実現することができることがわかった。
論文参考訳（メタデータ） (2022-08-04T04:37:35Z)
HDRUNet: Single Image HDR Reconstruction with Denoising and Dequantization [39.82945546614887]
本研究では,空間動的エンコーダデコーダネットワークであるHDRUNetを用いて,単一画像HDR再構成のためのエンドツーエンドマッピングを学習する。本手法は,定量的比較と視覚的品質において最先端の性能を実現する。
論文参考訳（メタデータ） (2021-05-27T12:12:34Z)
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)
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)
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。