論文の概要: Deep Progressive Feature Aggregation Network for High Dynamic Range Imaging

• arxiv url: http://arxiv.org/abs/2208.02448v2
• Date: Mon, 29 May 2023 07:28:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-31 03:52:25.722753
• Title: Deep Progressive Feature Aggregation Network for High Dynamic Range Imaging
• Title（参考訳）: 高ダイナミックレンジイメージングのためのディーププログレッシブ特徴集約ネットワーク
• Authors: Jun Xiao, Qian Ye, Tianshan Liu, Cong Zhang, Kin-Man Lam
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 24.94466716276423
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High dynamic range (HDR) imaging is an important task in image processing that aims to generate well-exposed images in scenes with varying illumination. Although existing multi-exposure fusion methods have achieved impressive results, generating high-quality HDR images in dynamic scenes is still difficult. The primary challenges are ghosting artifacts caused by object motion between low dynamic range images and distorted content in under and overexposed regions. In this paper, we propose a deep progressive feature aggregation network for improving HDR imaging quality in dynamic scenes. To address the issues of object motion, our method implicitly samples high-correspondence features and aggregates them in a coarse-to-fine manner for alignment. In addition, our method adopts a densely connected network structure based on the discrete wavelet transform, which aims to decompose the input features into multiple frequency subbands and adaptively restore corrupted contents. Experiments show that our proposed method can achieve state-of-the-art performance under different scenes, compared to other promising HDR imaging methods. Specifically, the HDR images generated by our method contain cleaner and more detailed content, with fewer distortions, leading to better visual quality.
• Abstract（参考訳）: 高ダイナミックレンジイメージング(HDR)は、照明の異なるシーンでよく露出した画像を生成することを目的とした画像処理において重要な課題である。 既存のマルチ露光融合法は目覚ましい結果を得たが、動的シーンで高品質なHDR画像を生成することは依然として困難である。 主な課題は、低ダイナミックレンジ画像と露出領域の歪んだコンテンツの間の物体の動きによって引き起こされるアーティファクトのゴーストである。 本稿では,ダイナミックシーンのhdr画像品質を向上させるための,深層プログレッシブ特徴集約ネットワークを提案する。 対象運動の課題に対処するため,提案手法は暗黙的に高対応特徴を抽出し,それらを粗大に集約してアライメントする。 さらに、離散ウェーブレット変換に基づく密結合ネットワーク構造を採用し、入力特徴を複数の周波数サブバンドに分解し、劣化したコンテンツを適応的に復元することを目的とする。 実験により,提案手法は,他の有望なhdr撮像法と比較して,異なる場面で最先端の性能を実現することができることを示した。 具体的には,本手法により生成されたHDR画像は,よりクリーンで詳細な内容を含み,歪みが少なく,視覚的品質が向上する。

関連論文リスト

• Generating Content for HDR Deghosting from Frequency View [56.103761824603644]
  近年の拡散モデル (DM) はHDRイメージング分野に導入されている。 DMは画像全体を推定するために大きなモデルで広範囲の反復を必要とする。 ゴーストフリーHDRイメージングのための低周波数対応拡散(LF-Diff)モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-01T01:32:11Z)
• Towards High-quality HDR Deghosting with Conditional Diffusion Models [88.83729417524823]
  高ダイナミックレンジ(LDR)画像は、既存のディープニューラルネットワーク(DNN)技術により、複数の低ダイナミックレンジ(LDR)画像から復元することができる。 DNNは、LDR画像が飽和度と大きな動きを持つ場合、ゴーストアーティファクトを生成する。 拡散モデルの条件としてLDR特徴を利用する画像生成としてHDRデゴースト問題を定式化する。
  論文  参考訳（メタデータ） (2023-11-02T01:53:55Z)
• 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)
• High Dynamic Range Imaging of Dynamic Scenes with Saturation Compensation but without Explicit Motion Compensation [20.911738532410766]
  高ダイナミックレンジ(LDR)イメージングは、カメラセンサの限界により大量の情報が失われるため、非常に難しい課題である。 HDRイメージングでは、複数の低ダイナミックレンジ(LDR)画像を露出の変化で捉え、より多くの情報を収集する手法がある。 既存の手法のほとんどはゴーストのアーチファクトを減らすために運動補償に重点を置いているが、それでも満足できない結果をもたらす。
  論文  参考訳（メタデータ） (2023-08-22T02:44:03Z)
• 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)
• Learning Regularized Multi-Scale Feature Flow for High Dynamic Range Imaging [29.691689596845112]
  正規化損失によって導かれるマルチスケールな特徴フローを学習しようとするディープネットワークを提案する。 まず、マルチスケールの特徴を抽出し、非参照画像から特徴を整列する。 調整後、異なる画像の特徴をマージするために残留チャネルアテンションブロックを使用する。
  論文  参考訳（メタデータ） (2022-07-06T09:37:28Z)
• 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)
• 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。