論文の概要: CuDi: Curve Distillation for Efficient and Controllable Exposure Adjustment

• arxiv url: http://arxiv.org/abs/2207.14273v1
• Date: Thu, 28 Jul 2022 17:53:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-29 12:33:13.655229
• Title: CuDi: Curve Distillation for Efficient and Controllable Exposure Adjustment
• Title（参考訳）: CuDi:効率よくかつ制御可能な露光調整のための曲線蒸留
• Authors: Chongyi Li, Chunle Guo, Ruicheng Feng, Shangchen Zhou, Chen Change Loy
• Abstract要約: そこで我々は, 対や不対のデータを必要とせず, 効率よくかつ制御可能な露光調整のためのCuDi曲線蒸留法を提案する。 提案手法は,ゼロ参照学習と曲線ベースのフレームワークを,実効的な低照度画像強調手法であるゼロDCEから継承する。 提案手法は, 高速で頑健でフレキシブルな性能に優れ, 実シーンにおける最先端の手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 86.97592472794724
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present Curve Distillation, CuDi, for efficient and controllable exposure adjustment without the requirement of paired or unpaired data during training. Our method inherits the zero-reference learning and curve-based framework from an effective low-light image enhancement method, Zero-DCE, with further speed up in its inference speed, reduction in its model size, and extension to controllable exposure adjustment. The improved inference speed and lightweight model are achieved through novel curve distillation that approximates the time-consuming iterative operation in the conventional curve-based framework by high-order curve's tangent line. The controllable exposure adjustment is made possible with a new self-supervised spatial exposure control loss that constrains the exposure levels of different spatial regions of the output to be close to the brightness distribution of an exposure map serving as an input condition. Different from most existing methods that can only correct either underexposed or overexposed photos, our approach corrects both underexposed and overexposed photos with a single model. Notably, our approach can additionally adjust the exposure levels of a photo globally or locally with the guidance of an input condition exposure map, which can be pre-defined or manually set in the inference stage. Through extensive experiments, we show that our method is appealing for its fast, robust, and flexible performance, outperforming state-of-the-art methods in real scenes. Project page: https://li-chongyi.github.io/CuDi_files/.
• Abstract（参考訳）: トレーニング中にペアデータや非ペアデータを必要とすることなく,効率良く制御可能な露光調整を行うために,曲線蒸留法cudiを提案する。 提案手法は,効率的な低光度画像強調法であるzero-dceからゼロ参照学習および曲線ベースフレームワークを継承し,その推定速度のさらなる向上,モデルサイズの減少,制御可能な露出調整への拡張を行う。 改良された推論速度と軽量モデルは,高次曲線の接線による従来の曲線ベースフレームワークにおける時間的反復操作を近似した新しい曲線蒸留により達成される。 入力条件として機能する露光マップの輝度分布に近接する出力の異なる空間領域の露光レベルを制限する、新たな自己監督型空間露光制御損失により、制御可能な露光調整が可能となる。 未公開または過剰露出の写真のみを補正できる既存の方法とは異なり、このアプローチでは、未公開写真と過剰露出写真の両方を1つのモデルで修正する。 特に,提案手法では,推定段階で予め定義したり手動で設定したりできる入力条件露光マップのガイダンスにより,グローバルあるいは局所的に写真の露光レベルを調整できる。 広範にわたる実験により,本手法は高速で頑健でフレキシブルな性能をアピールし,実シーンにおける最先端の手法よりも優れることを示した。 プロジェクトページ: https://li-chongyi.github.io/CuDi_files/

関連論文リスト

• Global Structure-Aware Diffusion Process for Low-Light Image Enhancement [64.69154776202694]
  本稿では,低照度画像強調問題に対処する拡散型フレームワークについて検討する。 我々は、その固有のODE-軌道の正規化を提唱する。 実験により,提案手法は低照度化において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2023-10-26T17:01:52Z)
• Dimma: Semi-supervised Low Light Image Enhancement with Adaptive Dimming [0.728258471592763]
  自然色を維持しながら低照度画像を強調することは、カメラ処理のバリエーションによって難しい問題である。 そこで我々はDimmaを提案する。Dimmaは、画像対の小さなセットを利用して、任意のカメラと整合する半教師付きアプローチである。 そこで我々は,照明の違いに基づいて,シーンの歪み色を生成する畳み込み混合密度ネットワークを導入することで実現した。
  論文  参考訳（メタデータ） (2023-10-14T17:59:46Z)
• Fearless Luminance Adaptation: A Macro-Micro-Hierarchical Transformer for Exposure Correction [65.5397271106534]
  単一のニューラルネットワークは、すべての露光問題に対処することが難しい。 特に、コンボリューションは、極端に過度に露出した領域における忠実な色や詳細を復元する能力を妨げる。 本稿では,マクロマイクロ階層変換器を提案する。マクロマイクロ階層変換器は,長距離依存を捉えるマクロアテンション,局所特徴を抽出するマイクロアテンション,粗大な修正のための階層構造を提案する。
  論文  参考訳（メタデータ） (2023-09-02T09:07:36Z)
• LUT-GCE: Lookup Table Global Curve Estimation for Fast Low-light Image Enhancement [62.17015413594777]
  LUT-GCEという低照度画像強調のための効果的かつ効率的な手法を提案する。 画像全体に対する大域的な曲線を推定し、被曝と過剰露光の両方の補正を可能にする。 我々のアプローチは、特に高精細画像(例えば1080pと4k)において、推論速度の観点から、技術の現状よりも優れています。
  論文  参考訳（メタデータ） (2023-06-12T12:53:06Z)
• Variational Approach for Intensity Domain Multi-exposure Image Fusion [11.678822620192435]
  本稿では,従来の表示装置に直接表示可能な融合画像を生成する方法を提案する。 その野望は、照度が悪く、明るく照らされた地域で詳細を保存することである。
  論文  参考訳（メタデータ） (2022-07-09T06:31:34Z)
• 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)
• Learning an Adaptive Model for Extreme Low-light Raw Image Processing [5.706764509663774]
  画質向上のための適応型低照度生画像強調ネットワークを提案する。 提案手法は、最先端の低照度アルゴリズムと比較してノイズレベル推定(NLE)のスコアが低い。 ビデオ処理における潜在的な応用について概説する。
  論文  参考訳（メタデータ） (2020-04-22T09:01:07Z)
• 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)
• Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement [156.18634427704583]
  本稿では、深部ネットワークを用いた画像特異的曲線推定のタスクとして光強調を定式化するゼロ参照深部曲線推定法(Zero-DCE)を提案する。 提案手法は,DCE-Netという軽量な深層ネットワークをトレーニングし,画像のダイナミックレンジ調整のための画素幅と高次曲線を推定する。
  論文  参考訳（メタデータ） (2020-01-19T13:49:15Z)

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。