論文の概要: PSENet: Progressive Self-Enhancement Network for Unsupervised Extreme-Light Image Enhancement

• arxiv url: http://arxiv.org/abs/2210.00712v1
• Date: Mon, 3 Oct 2022 04:51:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 15:44:42.453763
• Title: PSENet: Progressive Self-Enhancement Network for Unsupervised Extreme-Light Image Enhancement
• Title（参考訳）: PSENet: 教師なし極端光画像強調のためのプログレッシブセルフエンハンスメントネットワーク
• Authors: Hue Nguyen, Diep Tran, Khoi Nguyen, Rang Nguyen
• Abstract要約: 画像強調のための新しい非教師付き拡張フレームワークを提案する。 様々な照明条件に対して頑丈であるが、接地路として機能する十分な露光画像は不要である。 実験の結果,提案手法は最先端の教師なしの手法よりも一貫して優れていることがわかった。
• 参考スコア（独自算出の注目度）: 4.588028371034406
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The extremes of lighting (e.g. too much or too little light) usually cause many troubles for machine and human vision. Many recent works have mainly focused on under-exposure cases where images are often captured in low-light conditions (e.g. nighttime) and achieved promising results for enhancing the quality of images. However, they are inferior to handling images under over-exposure. To mitigate this limitation, we propose a novel unsupervised enhancement framework which is robust against various lighting conditions while does not require any well-exposed images to serve as the ground-truths. Our main concept is to construct pseudo-ground-truth images synthesized from multiple source images that simulate all potential exposure scenarios to train the enhancement network. Our extensive experiments show that the proposed approach consistently outperforms the current state-of-the-art unsupervised counterparts in several public datasets in terms of both quantitative metrics and qualitative results. Our code is available at https://github.com/VinAIResearch/PSENet-Image-Enhancement.
• Abstract（参考訳）: 照明の極端(例えば、過度の光や小さすぎる光)は、通常、機械や人間の視覚に多くのトラブルを引き起こす。 近年の多くの研究は、低照度条件(夜間など)で画像がしばしば撮影され、画像の品質を高めるための有望な結果が得られるアンダー露光事例に焦点を当てている。 しかし、過剰露光下でのイメージ処理には劣る。 この制限を緩和するため,様々な照明条件に対して頑健であり,地上構造として機能する画像を必要としない,新規な教師なし拡張フレームワークを提案する。 我々の主なコンセプトは、複数のソースイメージから合成された疑似接地画像を構築し、すべての潜在的露出シナリオをシミュレートし、拡張ネットワークを訓練することである。 広範な実験により,提案手法は,定量的指標と質的結果の両面で,いくつかの公開データセットにおいて,最先端の非教師なし手法を一貫して上回っていることが示された。 私たちのコードはhttps://github.com/VinAIResearch/PSENet-Image-Enhancement.comで公開されています。

関連論文リスト

• Zero-Reference Low-Light Enhancement via Physical Quadruple Priors [58.77377454210244]
  本稿では,標準光画像のみをトレーニング可能な,ゼロ参照低光強調フレームワークを提案する。 このフレームワークは、画像にさかのぼる照明不変性を復元し、自動的に低照度化を実現します。
  論文  参考訳（メタデータ） (2024-03-19T17:36:28Z)
• Exposure Bracketing is All You Need for Unifying Image Restoration and Enhancement Tasks [50.822601495422916]
  本稿では,露光ブラケット写真を利用して画像復元と拡張作業を統合することを提案する。 実世界のペアの収集が困難であるため,まず合成ペアデータを用いてモデルを事前学習する手法を提案する。 特に,時間変調リカレントネットワーク(TMRNet)と自己教師あり適応手法を提案する。
  論文  参考訳（メタデータ） (2024-01-01T14:14:35Z)
• Designing An Illumination-Aware Network for Deep Image Relighting [69.750906769976]
  本稿では、階層的なサンプリングから1つの画像からシーンを段階的にリライトするためのガイダンスに従うイルミネーション・アウェア・ネットワーク(IAN)を提案する。 さらに、物理レンダリングプロセスの近似として、イルミネーション・アウェア・残留ブロック(IARB)が設計されている。 実験の結果,提案手法は従来の最先端手法よりも定量的,定性的な照準結果が得られることがわかった。
  論文  参考訳（メタデータ） (2022-07-21T16:21:24Z)
• Towards Robust Low Light Image Enhancement [6.85316573653194]
  野生で発見された暗い画像から明るい画像を作るという課題について検討する。 画像は薄暗い環境で撮影されているため暗く、量子化やセンサノイズによる色の変化に悩まされている。 教師付き学習手法を用いて、画像パイプラインの簡単なシミュレーションを頼りに、トレーニングやテストに使えるデータセットを生成する。
  論文  参考訳（メタデータ） (2022-05-17T20:14:18Z)
• Semi-supervised atmospheric component learning in low-light image problem [0.0]
  環境照明条件は、写真装置から画像の知覚的品質を決定する上で重要な役割を担っている。 本研究では,低照度画像復元のための非参照画像品質指標を用いた半教師付きトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-04-15T17:06:33Z)
• Enhancing Low-Light Images in Real World via Cross-Image Disentanglement [58.754943762945864]
  そこで本研究では,現実の汚職とミスアライメントされたトレーニング画像からなる,新しい低照度画像強調データセットを提案する。 本モデルでは,新たに提案したデータセットと,他の一般的な低照度データセットの両方に対して,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-01-10T03:12:52Z)
• Recurrent Exposure Generation for Low-Light Face Detection [113.25331155337759]
  本稿では,Recurrent Exposure Generation (REG) モジュールと Multi-Exposure Detection (MED) モジュールを提案する。 REGは、様々な露光設定に対応する段階的かつ効率的な中間画像を生成する。 このような擬似露光はMEDによって融合され、異なる照明条件で顔を検出する。
  論文  参考訳（メタデータ） (2020-07-21T17:30:51Z)
• Unsupervised Low-light Image Enhancement with Decoupled Networks [103.74355338972123]
  我々は、実世界の低照度画像を教師なしで拡張する2段階のGANベースのフレームワークを学習する。 提案手法は,照度向上と雑音低減の両面から,最先端の教師なし画像強調法より優れる。
  論文  参考訳（メタデータ） (2020-05-06T13:37:08Z)

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。