論文の概要: Segmentation Guided Deep HDR Deghosting

• arxiv url: http://arxiv.org/abs/2207.01229v1
• Date: Mon, 4 Jul 2022 06:49:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-06 01:45:30.202002
• Title: Segmentation Guided Deep HDR Deghosting
• Title（参考訳）: ディープHDRDeghostingによるセグメンテーションガイド
• Authors: K. Ram Prabhakar, Susmit Agrawal, R. Venkatesh Babu
• Abstract要約: 運動分割誘導畳み込みニューラルネットワーク(CNN)による高ダイナミックレンジ()イメージデゴストリングを提案する。 まず、CNNを用いて、入力シーケンス内の移動領域を分割し、次いで、静止領域と移動領域を異なる融合ネットワークに分離して最終的なゴーストフリーHDR画像を生成する。
• 参考スコア（独自算出の注目度）: 47.1023337218752
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a motion segmentation guided convolutional neural network (CNN) approach for high dynamic range (HDR) image deghosting. First, we segment the moving regions in the input sequence using a CNN. Then, we merge static and moving regions separately with different fusion networks and combine fused features to generate the final ghost-free HDR image. Our motion segmentation guided HDR fusion approach offers significant advantages over existing HDR deghosting methods. First, by segmenting the input sequence into static and moving regions, our proposed approach learns effective fusion rules for various challenging saturation and motion types. Second, we introduce a novel memory network that accumulates the necessary features required to generate plausible details in the saturated regions. The proposed method outperforms nine existing state-of-the-art methods on two publicly available datasets and generates visually pleasing ghost-free HDR results. We also present a large-scale motion segmentation dataset of 3683 varying exposure images to benefit the research community.
• Abstract（参考訳）: 本稿では,高ダイナミックレンジ(hdr)画像デグホストのための動き分割誘導畳み込みニューラルネットワーク(cnn)アプローチを提案する。 まず、CNNを用いて入力シーケンス内の移動領域を分割する。 そして,静止領域と移動領域を別々に融合し,融合した特徴を組み合わせ,最後のゴーストフリーHDR画像を生成する。 動作セグメンテーションをガイドしたHDR融合法は,既存のHDRデゴースト法に対して大きな利点がある。 まず, 入力シーケンスを静的領域と移動領域に分割することにより, 様々な難解な飽和度や動きタイプに対する効果的な融合規則を学習する。 第2に,飽和領域の可視的詳細を生成するために必要な特徴を蓄積する新しいメモリネットワークを提案する。 提案手法は,2つの公開データセットで既存の9つの最新手法を上回り,ゴーストフリーなhdr結果を生成する。 また,研究コミュニティのために,3683種類の露出画像の大規模な動き分割データセットも提示した。

関連論文リスト

• Self-Supervised High Dynamic Range Imaging with Multi-Exposure Images in Dynamic Scenes [58.66427721308464]
  Selfは、訓練中にダイナミックなマルチ露光画像のみを必要とする自己教師型再構成手法である。 Selfは最先端の自己管理手法に対して優れた結果を出し、教師付き手法に匹敵するパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-10-03T07:10:49Z)
• Alignment-free HDR Deghosting with Semantics Consistent Transformer [76.91669741684173]
  高ダイナミックレンジイメージングは、複数の低ダイナミックレンジ入力から情報を取得し、リアルな出力を生成することを目的としている。 既存の手法では、前景やカメラの動きによって引き起こされる入力フレーム間の空間的ずれに焦点を当てることが多い。 本研究では,SCTNet(Semantics Consistent Transformer)を用いたアライメントフリーネットワークを提案する。
  論文  参考訳（メタデータ） (2023-05-29T15:03:23Z)
• A Unified HDR Imaging Method with Pixel and Patch Level [41.14378863436963]
  我々はHyNetと呼ばれるハイブリッドHDRデゴーストネットワークを提案し,HDR画像を生成する。 実験により、HyNetは最先端の手法よりも定量的にも質的にも優れており、統一されたテクスチャと色で魅力的なHDR視覚化を実現している。
  論文  参考訳（メタデータ） (2023-04-14T06:21:57Z)
• 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)
• High Dynamic Range Imaging with Context-aware Transformer [3.1892103878735454]
  ゴーストフリー画像のための新しい階層型デュアルトランス (HDT) 手法を提案する。 まず、空間的注意機構を備えたCNNベースのヘッドを用いて、すべてのLDR画像から特徴を抽出する。 第二に、LDR機能はTransformerに配信され、局所的な詳細はチャネルアテンション機構を用いて抽出される。
  論文  参考訳（メタデータ） (2023-04-10T06:56:01Z)
• 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)
• Exploring Separable Attention for Multi-Contrast MR Image Super-Resolution [88.16655157395785]
  本稿では,SANet という,分離可能なアテンションネットワーク (優先のアテンションと背景分離のアテンションを含む) を提案する。 補助コントラストの助けを借りて、前後方向の前景と背景領域を探索することができる。 これは、補助コントラストを用いて前景と背景領域を予測する分離可能なアテンションメカニズムを探索する最初のモデルである。
  論文  参考訳（メタデータ） (2021-09-03T05:53:07Z)
• 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。