論文の概要: Cycle-Interactive Generative Adversarial Network for Robust Unsupervised
Low-Light Enhancement
- arxiv url: http://arxiv.org/abs/2207.00965v1
- Date: Sun, 3 Jul 2022 06:37:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-05 16:28:48.315159
- Title: Cycle-Interactive Generative Adversarial Network for Robust Unsupervised
Low-Light Enhancement
- Title(参考訳): ロバストな非教師なし低光度強調のためのサイクル対話型生成逆ネットワーク
- Authors: Zhangkai Ni, Wenhan Yang, Hanli Wang, Shiqi Wang, Lin Ma, Sam Kwong
- Abstract要約: CIGAN(Cycle-Interactive Generative Adversarial Network)は、低照度画像間の照明分布の転送を改善できるだけでなく、詳細な信号も操作できる。
特に、提案した低照度誘導変換は、低照度GAN生成器から劣化GAN生成器へ、低照度画像の特徴をフォワードする。
- 参考スコア(独自算出の注目度): 109.335317310485
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Getting rid of the fundamental limitations in fitting to the paired training
data, recent unsupervised low-light enhancement methods excel in adjusting
illumination and contrast of images. However, for unsupervised low light
enhancement, the remaining noise suppression issue due to the lacking of
supervision of detailed signal largely impedes the wide deployment of these
methods in real-world applications. Herein, we propose a novel
Cycle-Interactive Generative Adversarial Network (CIGAN) for unsupervised
low-light image enhancement, which is capable of not only better transferring
illumination distributions between low/normal-light images but also
manipulating detailed signals between two domains, e.g.,
suppressing/synthesizing realistic noise in the cyclic enhancement/degradation
process. In particular, the proposed low-light guided transformation
feed-forwards the features of low-light images from the generator of
enhancement GAN (eGAN) into the generator of degradation GAN (dGAN). With the
learned information of real low-light images, dGAN can synthesize more
realistic diverse illumination and contrast in low-light images. Moreover, the
feature randomized perturbation module in dGAN learns to increase the feature
randomness to produce diverse feature distributions, persuading the synthesized
low-light images to contain realistic noise. Extensive experiments demonstrate
both the superiority of the proposed method and the effectiveness of each
module in CIGAN.
- Abstract(参考訳): ペアトレーニングデータへの適合に関する基本的な制限を取り除き、最近の教師なしの低光度強調法は、画像の照明とコントラストの調整に優れている。
しかし、教師なしの低光度強調では、詳細な信号の監督の欠如によるノイズ抑制問題は、現実のアプリケーションにおけるこれらの方法の幅広い展開を妨げている。
そこで本研究では,低光度画像間の照明分布を良好に伝達するだけでなく,周期的強調・劣化過程における現実的なノイズの抑制・合成など,2領域間の詳細な信号操作を行うことのできる,教師なし低光画像強調のための新しいサイクル対話型生成逆ネットワーク(cigan)を提案する。
特に,提案する低光誘導変換は,強調gan生成器(egan)から劣化gan生成器(dgan)へ低光画像の特徴をフィードフォワードする。
実際の低照度画像の学習情報により、dGANはより現実的な多彩な照明とコントラストを低照度画像で合成することができる。
さらに、dGANの特徴ランダム化摂動モジュールは、特徴ランダム性を高めて多様な特徴分布を生成することを学び、合成した低照度画像を現実的な雑音を含むように説得する。
CIGANでは,提案手法の優位性と各モジュールの有効性が実証された。
関連論文リスト
- A Non-Uniform Low-Light Image Enhancement Method with Multi-Scale
Attention Transformer and Luminance Consistency Loss [11.585269110131659]
低照度画像強調は、薄暗い環境で収集された画像の知覚を改善することを目的としている。
既存の方法では、識別された輝度情報を適応的に抽出することができず、露光過多や露光過多を容易に引き起こすことができる。
MSATrというマルチスケールアテンション変換器を提案し,光バランスの局所的・グローバル的特徴を十分に抽出し,視覚的品質を向上させる。
論文 参考訳(メタデータ) (2023-12-27T10:07:11Z) - Low-Light Image Enhancement with Illumination-Aware Gamma Correction and
Complete Image Modelling Network [69.96295927854042]
低照度環境は通常、情報の少ない大規模な暗黒地帯に繋がる。
本稿では,ガンマ補正の有効性を深層ネットワークのモデリング能力と統合することを提案する。
指数関数演算は高い計算複雑性をもたらすので、Taylor Series を用いてガンマ補正を近似することを提案する。
論文 参考訳(メタデータ) (2023-08-16T08:46:51Z) - LRT: An Efficient Low-Light Restoration Transformer for Dark Light Field
Images [9.926231893220063]
近年の低照度化のための学習手法には欠点がある。
LF画像に対する効率的な低照度復元変換器(LRT)を提案する。
提案手法は,低照度かつノイズの多いLF画像の復元において,優れた性能が得られることを示す。
論文 参考訳(メタデータ) (2022-09-06T03:23:58Z) - INFWIDE: Image and Feature Space Wiener Deconvolution Network for
Non-blind Image Deblurring in Low-Light Conditions [32.35378513394865]
画像と特徴空間Wener deconvolution Network (INFWIDE) と呼ばれる新しい非盲点分解法を提案する。
INFWIDEは、画像空間におけるノイズを除去し、飽和領域を幻覚し、特徴空間におけるリングアーティファクトを抑制する。
合成データと実データを用いた実験は,提案手法の優れた性能を示す。
論文 参考訳(メタデータ) (2022-07-17T15:22:31Z) - 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) - CERL: A Unified Optimization Framework for Light Enhancement with
Realistic Noise [81.47026986488638]
現実世界で撮影された低照度画像は、センサーノイズによって必然的に破損する。
既存の光強調法は、拡張中の現実世界のノイズの重要な影響を見落としているか、ノイズ除去を別の前処理または後処理のステップとして扱うかのどちらかである。
実世界の低照度雑音画像(CERL)のコーディネート・エンハンスメントを行い,光強調部と雑音抑制部を一体化・物理接地したフレームワークにシームレスに統合する。
論文 参考訳(メタデータ) (2021-08-01T15:31:15Z) - Progressive Joint Low-light Enhancement and Noise Removal for Raw Images [10.778200442212334]
モバイル機器の低照度撮像は、比較的小さな開口部を通過する入射光が不足しているため、通常困難である。
そこで我々は,共同照明調整,色強調,遮音を行う低照度画像処理フレームワークを提案する。
我々のフレームワークは、他のカメラモデルに適応する際に、大量のデータを再構成する必要はない。
論文 参考訳(メタデータ) (2021-06-28T16:43:52Z) - 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)
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。