論文の概要: USLN: A statistically guided lightweight network for underwater image enhancement via dual-statistic white balance and multi-color space stretch

• arxiv url: http://arxiv.org/abs/2209.02221v1
• Date: Tue, 6 Sep 2022 05:05:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-07 14:15:11.355105
• Title: USLN: A statistically guided lightweight network for underwater image enhancement via dual-statistic white balance and multi-color space stretch
• Title（参考訳）: USLN:双統計ホワイトバランスと多色空間ストレッチによる水中画像強調のための統計的ガイド付き軽量ネットワーク
• Authors: Ziyuan Xiao, Yina Han, Susanto Rahardja, and Yuanliang Ma
• Abstract要約: 統計的に誘導された軽量水中画像強調ネットワーク(USLN)を提案する。 USLNは特定のピクセルごとに色歪みを補正することを学ぶ。 実験により、USLNは統計のガイダンスにより、必要なネットワーク容量を大幅に削減することが示された。
• 参考スコア（独自算出の注目度）: 7.169484500968534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Underwater images are inevitably affected by color distortion and reduced contrast. Traditional statistic-based methods such as white balance and histogram stretching attempted to adjust the imbalance of color channels and narrow distribution of intensities a priori thus with limited performance. Recently, deep-learning-based methods have achieved encouraging results. However, the involved complicate architecture and high computational costs may hinder their deployment in practical constrained platforms. Inspired by above works, we propose a statistically guided lightweight underwater image enhancement network (USLN). Concretely, we first develop a dual-statistic white balance module which can learn to use both average and maximum of images to compensate the color distortion for each specific pixel. Then this is followed by a multi-color space stretch module to adjust the histogram distribution in RGB, HSI, and Lab color spaces adaptively. Extensive experiments show that, with the guidance of statistics, USLN significantly reduces the required network capacity (over98%) and achieves state-of-the-art performance. The code and relevant resources are available at https://github.com/deepxzy/USLN.
• Abstract（参考訳）: 水中画像は必然的に色歪とコントラストの低下によって影響を受ける。 ホワイトバランスやヒストグラムストレッチといった従来の統計に基づく手法は、色チャネルの不均衡と、事前強度の狭い分布を限られた性能で調整しようとした。 近年,深層学習に基づく手法が奨励的な成果を上げている。 しかし、複雑なアーキテクチャと高い計算コストは、実際の制約のあるプラットフォームへのデプロイを妨げる可能性がある。 以上の研究から着想を得て,統計的に誘導された軽量水中画像強調ネットワーク (USLN) を提案する。 具体的には,まず,各画素の色歪みを補正するために,画像の平均値と最大値の両方を学習できる2値統計ホワイトバランスモジュールを開発する。 次に、RGB、HSI、ラボの色空間のヒストグラム分布を適応的に調整する多色空間ストレッチモジュールが続く。 大規模な実験では、統計学のガイダンスにより、USLNは必要なネットワーク容量(98%以上)を著しく削減し、最先端の性能を達成する。 コードと関連するリソースはhttps://github.com/deepxzy/uslnで入手できる。

関連論文リスト

• Every Pixel Has its Moments: Ultra-High-Resolution Unpaired Image-to-Image Translation via Dense Normalization [4.349838917565205]
  画素レベルの統計モーメントを推定するために設計されたDense Normalization層を導入する。 このアプローチは、局所色と色調のコントラストを同時に保存しながら、ティリングアーティファクトを効果的に減少させる。 我々の研究は、未ペア画像から画像への翻訳の範囲内で任意の解像度の画像を扱うための将来の探索の道を開く。
  論文  参考訳（メタデータ） (2024-07-05T04:14:50Z)
• 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)
• Diving into Darkness: A Dual-Modulated Framework for High-Fidelity Super-Resolution in Ultra-Dark Environments [51.58771256128329]
  本稿では,低照度超解像課題の性質を深く理解しようとする,特殊二変調学習フレームワークを提案する。 Illuminance-Semantic Dual Modulation (ISDM) コンポーネントを開発した。 包括的実験は、我々のアプローチが多様で挑戦的な超低照度条件に適用可能であることを示す。
  論文  参考訳（メタデータ） (2023-09-11T06:55:32Z)
• Effective Invertible Arbitrary Image Rescaling [77.46732646918936]
  Invertible Neural Networks (INN)は、ダウンスケーリングとアップスケーリングのサイクルを共同で最適化することにより、アップスケーリングの精度を大幅に向上させることができる。 本研究の1つのモデルのみをトレーニングすることにより、任意の画像再スケーリングを実現するために、単純で効果的な非可逆的再スケーリングネットワーク(IARN)を提案する。 LR出力の知覚品質を損なうことなく、双方向任意再スケーリングにおいて最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2022-09-26T22:22:30Z)
• Mitigating Channel-wise Noise for Single Image Super Resolution [33.383282898248076]
  本稿では,色チャネルを協調的に考慮し,ノイズの多い色画像の超解法を提案する。 結果は、実際のシナリオにおけるアプローチの超解能を実証する。
  論文  参考訳（メタデータ） (2021-12-14T17:45:15Z)
• Wavelength-based Attributed Deep Neural Network for Underwater Image Restoration [9.378355457555319]
  本稿では,色チャネルの移動範囲に基づいて,適切な受容場サイズ(コンテキスト)を付与することで,大幅な性能向上が期待できることを示す。 第2の新規性として、学習したマルチコンテキスト特徴を適応的に洗練するための注意的スキップ機構を組み込んだ。 提案するフレームワークはDeep WaveNetと呼ばれ、従来のピクセル単位で機能ベースのコスト関数を使って最適化されている。
  論文  参考訳（メタデータ） (2021-06-15T06:47:51Z)
• Underwater Image Enhancement via Medium Transmission-Guided Multi-Color Space Embedding [88.46682991985907]
  本稿では,Ucolor と呼ばれる媒体透過誘導多色空間埋め込みによる水中画像強調ネットワークを提案する。 当社のネットワークは、複数の色空間を埋め込むことにより、水中画像の視覚的品質を効果的に改善できます。
  論文  参考訳（メタデータ） (2021-04-27T07:35:30Z)
• 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)
• UIEC^2-Net: CNN-based Underwater Image Enhancement Using Two Color Space [9.318613337883097]
  本稿では,rgbの画素レベルブロック,水中画像の輝度,色,彩度をグローバルに調整するhsvグローバル調整ブロック,およびrgbとhsvの出力画像の長所を各画素に分散して結合するアテンションマップブロックの3つのブロックからなるエンドツーエンドトレーニング可能なネットワークを提案する。 合成および実世界の水中画像に対する実験結果から,提案手法の主観的比較と客観的評価の両方において良好な性能を示した。
  論文  参考訳（メタデータ） (2021-03-12T08:23:21Z)
• Low Light Image Enhancement via Global and Local Context Modeling [164.85287246243956]
  低照度画像強調のためのコンテキスト認識ディープネットワークを導入。 まず、全空間領域上の補完的な手がかりを見つけるために空間相関をモデル化するグローバルコンテキストモジュールを特徴とする。 第二に、比較的大きな受容フィールドで局所的なコンテキストをキャプチャする密な残留ブロックを導入する。
  論文  参考訳（メタデータ） (2021-01-04T09:40:54Z)

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。