論文の概要: D2HNet: Joint Denoising and Deblurring with Hierarchical Network for
Robust Night Image Restoration
- arxiv url: http://arxiv.org/abs/2207.03294v1
- Date: Thu, 7 Jul 2022 13:42:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-08 15:03:16.156206
- Title: D2HNet: Joint Denoising and Deblurring with Hierarchical Network for
Robust Night Image Restoration
- Title(参考訳): D2HNet:ロバスト・ナイト・イメージ復元のための階層型ネットワークとの連携
- Authors: Yuzhi Zhao, Yongzhe Xu, Qiong Yan, Dingdong Yang, Xuehui Wang, Lai-Man
Po
- Abstract要約: 現代のスマートフォンカメラによる夜間イメージングは、低光子数と避けられないノイズのため、厄介である。
短時間露光画像の誘導の下で長時間露光画像の復調・拡張により高品質な画像の復元を行うD2HNetフレームワークを開発した。
検証セットと実画像を用いた結果から,視覚的品質と最先端の定量的スコアが得られた。
- 参考スコア(独自算出の注目度): 17.6005530147501
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Night imaging with modern smartphone cameras is troublesome due to low photon
count and unavoidable noise in the imaging system. Directly adjusting exposure
time and ISO ratings cannot obtain sharp and noise-free images at the same time
in low-light conditions. Though many methods have been proposed to enhance
noisy or blurry night images, their performances on real-world night photos are
still unsatisfactory due to two main reasons: 1) Limited information in a
single image and 2) Domain gap between synthetic training images and real-world
photos (e.g., differences in blur area and resolution). To exploit the
information from successive long- and short-exposure images, we propose a
learning-based pipeline to fuse them. A D2HNet framework is developed to
recover a high-quality image by deblurring and enhancing a long-exposure image
under the guidance of a short-exposure image. To shrink the domain gap, we
leverage a two-phase DeblurNet-EnhanceNet architecture, which performs accurate
blur removal on a fixed low resolution so that it is able to handle large
ranges of blur in different resolution inputs. In addition, we synthesize a
D2-Dataset from HD videos and experiment on it. The results on the validation
set and real photos demonstrate our methods achieve better visual quality and
state-of-the-art quantitative scores. The D2HNet codes, models, and D2-Dataset
can be found at https://github.com/zhaoyuzhi/D2HNet.
- Abstract(参考訳): 現代のスマートフォンカメラによる夜間イメージングは、低光子数と避けられないノイズのため、厄介である。
露光時間やisoレーティングを直接調整しても、低照度環境ではシャープでノイズのない画像を同時に得ることはできない。
ノイズやぼやけた夜のイメージを強化する方法が数多く提案されているが、実際の夜の写真のパフォーマンスは2つの主な理由から未だに不十分である。
1)単一画像における限られた情報及び
2) 合成訓練画像と実世界の写真(例えば、ぼやけた領域と解像度の違い)のドメインギャップ。
連続した長期・短期露光画像からの情報を活用するために,それらを融合する学習型パイプラインを提案する。
D2HNetフレームワークは、短時間露光画像の誘導の下で、長時間露光画像を損なうことによって高品質な画像を復元する。
ドメインギャップを縮小するために、2相のdeblurnet-enhancenetアーキテクチャを利用し、固定された低解像度で正確なぼかし除去を行い、異なる解像度入力で広範囲のぼけを処理できるようにする。
さらに,HDビデオからD2データセットを合成し,その実験を行う。
検証セットと実画像を用いた結果から,視覚的品質と最先端の定量的スコアが得られた。
D2HNetのコード、モデル、D2-Datasetはhttps://github.com/zhaoyuzhi/D2HNetにある。
関連論文リスト
- Bracketing is All You Need: Unifying Image Restoration and Enhancement
Tasks with Multi-Exposure Images [54.52482239188794]
本稿では,ブラケット写真を利用して修復作業と強化作業を統合することを提案する。
実世界のペアの収集が困難であるため,まず合成ペアデータを用いてモデルを事前学習する手法を提案する。
特に,時間変調リカレントネットワーク(TMRNet)と自己教師あり適応手法を提案する。
論文 参考訳(メタデータ) (2024-01-01T14:14:35Z) - Dual-Camera Joint Deblurring-Denoising [24.129908866882346]
高品質な画像を得るための新しいデュアルカメラ手法を提案する。
本手法では,1台のカメラで撮影した短い露光画像の同期バーストと,もう1台のカメラで撮影した長時間露光画像を用いる。
本手法は,GoProデータセットから得られた合成デュアルカメラ画像に対して,次の最適手法に比べて5倍のトレーニングパラメータで最先端の結果を得られる。
論文 参考訳(メタデータ) (2023-09-16T00:58:40Z) - Shakes on a Plane: Unsupervised Depth Estimation from Unstabilized
Photography [54.36608424943729]
2秒で取得した12メガピクセルのRAWフレームの「長バースト」では,自然手震動のみからの視差情報で高品質のシーン深度を回復できることが示されている。
我々は、長時間バーストデータにニューラルRGB-D表現を適合させるテスト時間最適化手法を考案し、シーン深度とカメラモーションを同時に推定する。
論文 参考訳(メタデータ) (2022-12-22T18:54:34Z) - N2V2 -- Fixing Noise2Void Checkerboard Artifacts with Modified Sampling
Strategies and a Tweaked Network Architecture [66.03918859810022]
我々は,バニラN2V装置に2つの改良を加えて,不要なアーティファクトを大幅に削減する。
我々は、顕微鏡および自然画像データに基づいて、その修正を検証した。
論文 参考訳(メタデータ) (2022-11-15T21:12:09Z) - Self-Supervised Image Restoration with Blurry and Noisy Pairs [66.33313180767428]
ISOの高い画像は、通常難聴のノイズを持つが、長時間露光画像は、カメラの揺れや物体の動きによってぼやけている。
既存のソリューションは一般に、ノイズとブラーのバランスを求め、フルビジョンまたはセルフスーパービジョンのどちらかの下でデノイングやデブロワーリングのモデルを学ぶことを提案している。
本稿では,短時間露光ノイズ画像と長時間露光ぼかし画像との併用による画像復元を提案する。
論文 参考訳(メタデータ) (2022-11-14T12:57:41Z) - Robust Scene Inference under Noise-Blur Dual Corruptions [20.0721386176278]
低照度下でのシーン推測は、撮像画像の厳しいノイズのために難しい問題である。
同じシーンの複数の露出を同時に撮影できるカメラの台頭により、このトレードオフを克服することが可能である。
低照度および運動下でのロバスト推論にこれらのマルチ露光キャプチャを利用する手法を提案する。
論文 参考訳(メタデータ) (2022-07-24T02:52:00Z) - A Differentiable Two-stage Alignment Scheme for Burst Image
Reconstruction with Large Shift [13.454711511086261]
バースト画像、すなわちJDD-Bのための共同デノジングとデモサック(JDD)が注目されている。
JDD-Bの重要な課題は、画像フレームのロバストなアライメントにある。
本稿では, JDD-B を効果的に活用するための2段階アライメント方式を提案する。
論文 参考訳(メタデータ) (2022-03-17T12:55:45Z) - 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) - Clean Images are Hard to Reblur: A New Clue for Deblurring [56.28655168605079]
画像のシャープ化のために,新しい低レベルの知覚損失を提案する。
画像のぼかしにフォーカスするために、除去されていない動きのぼかしを増幅するリブレーションモジュールを訓練します。
トレーニング段階における教師付き再ブラッシング損失は、デブロワー画像と基準シャープ画像との増幅されたぼかしを比較する。
推論段階での自己ブラリング損失は、デブラリング画像がまだ増幅すべきぼやけを含むかどうかを検査する。
論文 参考訳(メタデータ) (2021-04-26T15:49:21Z) - Learning Multi-Scale Photo Exposure Correction [51.57836446833474]
露出を間違えた写真を撮影することは、カメラベースの画像の誤りの主な原因である。
本稿では,各サブプロブレムに個別に対処する粗大な深層ニューラルネットワーク(DNN)モデルを提案する。
提案手法は,未露出画像における既存の最先端手法と同等の結果を得る。
論文 参考訳(メタデータ) (2020-03-25T19:33:51Z)
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。