論文の概要: CAIR: Fast and Lightweight Multi-Scale Color Attention Network for Instagram Filter Removal

• arxiv url: http://arxiv.org/abs/2208.14039v1
• Date: Tue, 30 Aug 2022 07:42:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-31 13:01:05.262089
• Title: CAIR: Fast and Lightweight Multi-Scale Color Attention Network for Instagram Filter Removal
• Title（参考訳）: CAIR: Instagramフィルタ除去のための高速で軽量なマルチスケールカラーアテンションネットワーク
• Authors: Woon-Ha Yeo, Wang-Taek Oh, Kyung-Su Kang, Young-Il Kim, Han-Cheol Ryu
• Abstract要約: 本稿では,Instagramフィルタ除去のためのマルチスケール,カラーアテンションを備えた高精度,高速,軽量なネットワークを提案する。 実験結果から、提案されたCAIRは、Instagramのフィルター除去ネットワークを高速かつ軽量に上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image restoration is an important and challenging task in computer vision. Reverting a filtered image to its original image is helpful in various computer vision tasks. We employ a nonlinear activation function free network (NAFNet) for a fast and lightweight model and add a color attention module that extracts useful color information for better accuracy. We propose an accurate, fast, lightweight network with multi-scale and color attention for Instagram filter removal (CAIR). Experiment results show that the proposed CAIR outperforms existing Instagram filter removal networks in fast and lightweight ways, about 11$\times$ faster and 2.4$\times$ lighter while exceeding 3.69 dB PSNR on IFFI dataset. CAIR can successfully remove the Instagram filter with high quality and restore color information in qualitative results. The source code and pretrained weights are available at \url{https://github.com/HnV-Lab/CAIR}.
• Abstract（参考訳）: 画像復元はコンピュータビジョンにおいて重要かつ困難な課題である。 フィルタリングされた画像を元の画像に戻すことは、様々なコンピュータビジョンタスクに役立つ。 高速で軽量なモデルに非線形活性化関数フリーネットワーク(nafnet)を用い,より高精度なカラー情報を抽出するカラーアテンションモジュールを追加した。 本稿では,Instagramフィルタ除去(CAIR)のためのマルチスケールおよびカラーアテンションを備えた,高精度で高速で軽量なネットワークを提案する。 実験結果によると、提案されたCAIRは、既存のInstagramフィルタ除去ネットワークを高速かつ軽量に、約11$\times$高速で2.4$\times$軽量で、IFFIデータセットでは3.69dB PSNRを超えている。 CAIRは高品質なInstagramフィルタを除去し、質的な結果のカラー情報を復元する。 ソースコードとトレーニング済みのウェイトは \url{https://github.com/hnv-lab/cair} で入手できる。

関連論文リスト

• Harnessing Multi-resolution and Multi-scale Attention for Underwater Image Restoration [3.686808512438363]
  最近の水中画像復元法では、入力画像をフル解像度で分析するか、高解像度から低解像度に段階的に分析し、信頼性の高い意味情報を出力するが、空間精度は低下する。 本稿では,マルチレゾリューションとマルチスケールの画像解析に焦点を当てた,軽量なマルチステージネットワークLit-Netを提案する。 我々の新しいエンコーダブロックは、並列な1時間1ドルの畳み込みレイヤを使用して、ローカル情報をキャプチャし、操作を高速化する。
  論文  参考訳（メタデータ） (2024-08-19T11:36:48Z)
• You Only Need One Color Space: An Efficient Network for Low-light Image Enhancement [50.37253008333166]
  低照度画像強調(LLIE)タスクは、劣化した低照度画像から詳細と視覚情報を復元する傾向がある。 水平/垂直インテンシティ(HVI)と呼ばれる新しいトレーニング可能なカラー空間を提案する。 輝度と色をRGBチャネルから切り離して、拡張中の不安定性を緩和するだけでなく、トレーニング可能なパラメータによって異なる照明範囲の低照度画像にも適応する。
  論文  参考訳（メタデータ） (2024-02-08T16:47:43Z)
• LIR: A Lightweight Baseline for Image Restoration [4.187190284830909]
  画像復元作業の本質的な特徴は、多くの作品で見落とされがちである。 LIRと呼ばれる画像復元のための軽量ベースラインネットワークを提案し、画像の効率よく復元し、劣化を除去する。 我々のLIRは、Pak Signal-to-Noise Ratio (PSNR)における最先端構造類似度指標(SSIM)および最先端モデルに匹敵する性能を達成する。
  論文  参考訳（メタデータ） (2024-02-02T12:39:47Z)
• Enhancing Low-Light Images Using Infrared-Encoded Images [81.8710581927427]
  従来の芸術は、主にピクセルワイド・ロスを用いて可視光スペクトルで捉えた低照度画像に焦点を当てていた。 我々は,赤外線カットオフフィルタを除去することにより,低照度環境下で撮影された画像の可視性を高める新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-07-09T08:29:19Z)
• Five A$^{+}$ Network: You Only Need 9K Parameters for Underwater Image Enhancement [5.069845302359179]
  FA$+$Netはリアルタイム水中画像強調ネットワークで、$sim$9kパラメータと$sim$0.01s処理時間しか持たない。 我々の知る限り、FA$+$Netは1080P画像のリアルタイムエンハンスメント機能を持つ唯一のネットワークである。
  論文  参考訳（メタデータ） (2023-05-15T17:33:29Z)
• LVRNet: Lightweight Image Restoration for Aerial Images under Low Visibility [6.785107765806355]
  吹雪時の大気汚染・煙害・大気質指数の低下・低光・大気散乱・霧による視界の低下は、事故を防止するためにより重要となる。 高品質なイメージを生み出し、日々の使用に十分な効率でデプロイできるソリューションを構築することが不可欠です。 低視認性回復ネットワーク(LVRNet)と呼ばれる軽量ディープラーニングモデルを導入する。 また,PSNR 25.744 と 0.905 の SSIM を達成し,従来の画像復元手法よりも低レイテンシで性能が向上した。
  論文  参考訳（メタデータ） (2023-01-13T08:43:11Z)
• Degrade is Upgrade: Learning Degradation for Low-light Image Enhancement [52.49231695707198]
  2段階の工程で細部と色を精錬しながら、内在的な劣化と低照度画像を照らし出す。 カラー画像の定式化に触発されて,まず低照度入力からの劣化を推定し,環境照明色の歪みをシミュレーションし,そのコンテンツを精錬して拡散照明色の損失を回復した。 LOL1000データセットではPSNRで0.95dB、ExDarkデータセットでは3.18%のmAPでSOTAを上回った。
  論文  参考訳（メタデータ） (2021-03-19T04:00:27Z)
• An Integrated Enhancement Solution for 24-hour Colorful Imaging [51.782600936647235]
  24時間屋外イメージングの現在の業界慣行は、近赤外線(NIR)照明を付加したシリコンカメラを使用することである。 その結果、昼間はコントラストが低く、夜間は色覚が欠如する。 そこで本研究では,日光の日中や夜間の夜間に鮮明な色画像を生成する,新規で統合された拡張ソリューションを提案する。
  論文  参考訳（メタデータ） (2020-05-10T05:11:34Z)
• Filter Grafting for Deep Neural Networks: Reason, Method, and Cultivation [86.91324735966766]
  フィルタは現代の畳み込みニューラルネットワーク(CNN)のキーコンポーネントである 本稿では,この目的を達成するためにフィルタグラフト(textbfMethod)を導入する。 我々は,フィルタの情報を測定するための新しい基準と,グラフトされた情報をネットワーク間でバランスをとるための適応重み付け戦略を開発する。
  論文  参考訳（メタデータ） (2020-04-26T08:36:26Z)
• Recognizing Instagram Filtered Images with Feature De-stylization [81.38905784617089]
  本稿では,Instagramのフィルターによって,事前学習モデルがどのような影響を受けているかについて検討する。 画像のグローバルな外観を変えるだけの単純な構造保存フィルタは、畳み込み特徴空間に大きな違いをもたらす可能性が示唆された。 我々は,特徴マップのスケーリングとシフトに使用されるパラメータを予測し,フィルタによって引き起こされる変化を“無視”する,軽量なデスティル化モジュールを導入する。
  論文  参考訳（メタデータ） (2019-12-30T16:48:16Z)

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。