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

• Unsupervised Low-light Image Enhancement with Lookup Tables and Diffusion Priors [38.96909959677438]
  低照度画像強調(LIE)は、低照度環境において劣化した画像を高精度かつ効率的に回収することを目的としている。 近年の先進的なLIE技術は、多くの低正規の光画像対、ネットワークパラメータ、計算資源を必要とするディープニューラルネットワークを使用している。 拡散先行とルックアップテーブルに基づく新しい非教師付きLIEフレームワークを考案し,低照度画像の効率的な回復を実現する。
  論文  参考訳（メタデータ） (2024-09-27T16:37:27Z)
• KAN See In the Dark [2.9873893715462185]
  既存の低照度画像強調法は、不均一照明とノイズ効果により、通常の低照度画像と低照度画像との複雑な非線形関係に適合することが困難である。 最近提案されたコルモゴロフ・アルノルドネットワーク(KAN)はスプラインベースの畳み込み層と学習可能なアクティベーション関数を備え、非線形依存を効果的に捉えることができる。 本稿では,kanをベースとしたkan-Blockを設計し,低照度画像強調に革新的に適用し,線形ネットワーク構造に制約された現在の手法の限界を効果的に緩和し,解釈可能性の欠如を解消する。
  論文  参考訳（メタデータ） (2024-09-05T10:41:17Z)
• LDM-ISP: Enhancing Neural ISP for Low Light with Latent Diffusion Models [54.93010869546011]
  本稿では,事前学習した潜伏拡散モデルを用いて,超低照度画像の高精細化のためのニューラルISPを実現することを提案する。 具体的には、RAWドメイン上で動作するために事前訓練された潜在拡散モデルを調整するために、軽量なテーミングモジュールのセットをトレーニングする。 遅延拡散モデルにおけるUNet復調と復号化の異なる役割を観察し、低照度画像強調タスクを遅延空間低周波コンテンツ生成と復号位相高周波ディテール保守に分解するきっかけとなる。
  論文  参考訳（メタデータ） (2023-12-02T04:31:51Z)
• Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
  低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。 これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。 まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。 次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
  論文  参考訳（メタデータ） (2023-05-17T13:56:48Z)
• 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)
• 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)
• 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。