論文の概要: High Dynamic Range and Super-Resolution from Raw Image Bursts
- arxiv url: http://arxiv.org/abs/2207.14671v1
- Date: Fri, 29 Jul 2022 13:31:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-01 13:19:10.610657
- Title: High Dynamic Range and Super-Resolution from Raw Image Bursts
- Title（参考訳）: 原画像バーストからの高ダイナミックレンジと超解像
- Authors: Bruno Lecouat, Thomas Eboli, Jean Ponce, Julien Mairal
- Abstract要約: 本稿では,露光ブラケット付きハンドヘルドカメラで撮影した原写真からの高解像度・高ダイナミックレンジカラー画像の再構成について紹介する。
提案アルゴリズムは,画像復元における最先端の学習手法と比較して,メモリ要求の少ない高速なアルゴリズムである。
実験では、ハンドヘルドカメラで野生で撮影された実際の写真に最大4ドル(約4,800円)の超高解像度な要素で優れた性能を示す。
- 参考スコア（独自算出の注目度）: 52.341483902624006
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Photographs captured by smartphones and mid-range cameras have limited
spatial resolution and dynamic range, with noisy response in underexposed
regions and color artefacts in saturated areas. This paper introduces the first
approach (to the best of our knowledge) to the reconstruction of
high-resolution, high-dynamic range color images from raw photographic bursts
captured by a handheld camera with exposure bracketing. This method uses a
physically-accurate model of image formation to combine an iterative
optimization algorithm for solving the corresponding inverse problem with a
learned image representation for robust alignment and a learned natural image
prior. The proposed algorithm is fast, with low memory requirements compared to
state-of-the-art learning-based approaches to image restoration, and features
that are learned end to end from synthetic yet realistic data. Extensive
experiments demonstrate its excellent performance with super-resolution factors
of up to $\times 4$ on real photographs taken in the wild with hand-held
cameras, and high robustness to low-light conditions, noise, camera shake, and
moderate object motion.
- Abstract（参考訳）: スマートフォンや中距離カメラで撮影された写真は、空間解像度とダイナミックレンジが限られており、未露出領域でのノイズ応答と飽和領域のカラーアーティファクトがある。
本稿では,手持ちカメラによる露光ブラケットで撮影した原写真からの高分解能・高ダイナミックレンジカラー画像の再構成への(私たちの知る限り)最初のアプローチを紹介する。
本手法では,物理的に正確な画像形成モデルを用いて,対応する逆問題を解く反復最適化アルゴリズムと,ロバストアライメントのための学習画像表現と学習自然画像とを結合する。
提案されたアルゴリズムは高速で、画像復元に対する最先端の学習ベースのアプローチと比較して、メモリ要件が低く、合成的で現実的なデータからエンドツーエンドに学習される特徴がある。
広範囲な実験により、手持ちカメラで野生で撮影した実写真に最大$\times 4$の超解像度係数、低照度条件、ノイズ、カメラシェイク、適度な物体の動きに対する高い堅牢性が実証された。
関連論文リスト
- Intrinsic Single-Image HDR Reconstruction [0.6554326244334868]
そこで本研究では,本質的な領域におけるHDR再構成問題の物理的に着想を得たリモデリングを提案する。
課題を2つの単純なサブタスクに分割することで,多種多様な写真の性能向上が期待できる。
論文 参考訳（メタデータ） (2024-09-20T17:56:51Z) - ExBluRF: Efficient Radiance Fields for Extreme Motion Blurred Images [58.24910105459957]
極端運動ぼかし画像の新しいビュー合成法であるExBluRFを提案する。
提案手法は,6-DOFカメラトラジェクトリをベースとしたモーションブラー定式化と,ボクセルをベースとした放射場からなる。
既存の作業と比較して、トレーニング時間とGPUメモリ使用量の10倍の順序で、よりシャープな3Dシーンを復元する。
論文 参考訳（メタデータ） (2023-09-16T11:17:25Z) - High Dynamic Range Imaging via Visual Attention Modules [0.13537117504260618]
本稿では,視覚的アテンションモジュール(VAM)によって抽出された各画像の最も目に見える領域からの情報を取り込むことのできる新しいモデルを提案する。
特に、ディープラーニングアーキテクチャに基づくモデルでは、抽出された領域を利用して最終的なHDR画像を生成する。
論文 参考訳（メタデータ） (2023-07-27T08:52:29Z) - Robust Dynamic Radiance Fields [79.43526586134163]
動的放射場再構成法は動的シーンの時間変化構造と外観をモデル化することを目的としている。
しかし、既存の手法では、正確なカメラポーズをStructure from Motion (SfM)アルゴリズムによって確実に推定できると仮定している。
カメラパラメータとともに静的および動的放射場を共同で推定することにより、このロバスト性問題に対処する。
論文 参考訳（メタデータ） (2023-01-05T18:59:51Z) - Deep Progressive Feature Aggregation Network for High Dynamic Range
Imaging [24.94466716276423]
本研究では,動的シーンにおけるHDR画像の画質向上のための高度な特徴集約ネットワークを提案する。
提案手法は,高対応特徴を暗黙的にサンプリングし,それらを粗い方法で集約してアライメントする。
実験の結果,提案手法は異なるシーン下での最先端性能を実現することができることがわかった。
論文 参考訳（メタデータ） (2022-08-04T04:37:35Z) - RBSRICNN: Raw Burst Super-Resolution through Iterative Convolutional
Neural Network [23.451063587138393]
RBSRICNN(Row Burst Super-Resolution Iterative Convolutional Neural Network)を提案する。
提案したネットワークは、中間SR推定を反復的に洗練することにより最終的な出力を生成する。
定量的および定性的な実験において提案手法の有効性を実証する。
論文 参考訳（メタデータ） (2021-10-25T19:01:28Z) - Aliasing is your Ally: End-to-End Super-Resolution from Raw Image Bursts [70.80220990106467]
本発表では,空間と時間に若干異なる視点から撮影された複数の低解像度スナップショットから高分解能画像を再構成する問題に対処する。
この問題を解決するための主な課題は、(i)入力画像とサブピクセル精度の整合性、(ii)ネイティブカメラデータに対する最大限の忠実性のための生(ノイズ)画像の扱い、(iii)タスクに適した画像事前(正規化器)を設計・学習することである。
論文 参考訳（メタデータ） (2021-04-13T13:39:43Z) - Exploiting Raw Images for Real-Scene Super-Resolution [105.18021110372133]
本稿では,合成データと実撮影画像とのギャップを埋めるために,実シーンにおける単一画像の超解像化の問題について検討する。
本稿では,デジタルカメラの撮像過程を模倣して,よりリアルなトレーニングデータを生成する手法を提案する。
また、原画像に記録された放射情報を活用するために、2分岐畳み込みニューラルネットワークを開発した。
論文 参考訳（メタデータ） (2021-02-02T16:10:15Z) - 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。