論文の概要: Self-Aligned Concave Curve: Illumination Enhancement for Unsupervised
Adaptation
- arxiv url: http://arxiv.org/abs/2210.03792v1
- Date: Fri, 7 Oct 2022 19:32:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 17:12:56.984487
- Title: Self-Aligned Concave Curve: Illumination Enhancement for Unsupervised
Adaptation
- Title(参考訳): 自己アライメントコンケーブ曲線:非教師なし適応のための照度向上
- Authors: Wenjing Wang, Zhengbo Xu, Haofeng Huang, Jiaying Liu
- Abstract要約: ハイレベルビジョンのための学習可能な照明強調モデルを提案する。
実際のカメラ応答関数にインスパイアされた照明強調関数は凹凸曲線であると仮定する。
我々のモデルアーキテクチャとトレーニングデザインは相互に恩恵を受け、強力な教師なし正規-低照度適応フレームワークを形成する。
- 参考スコア(独自算出の注目度): 36.050270650417325
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Low light conditions not only degrade human visual experience, but also
reduce the performance of downstream machine analytics. Although many works
have been designed for low-light enhancement or domain adaptive machine
analytics, the former considers less on high-level vision, while the latter
neglects the potential of image-level signal adjustment. How to restore
underexposed images/videos from the perspective of machine vision has long been
overlooked. In this paper, we are the first to propose a learnable illumination
enhancement model for high-level vision. Inspired by real camera response
functions, we assume that the illumination enhancement function should be a
concave curve, and propose to satisfy this concavity through discrete integral.
With the intention of adapting illumination from the perspective of machine
vision without task-specific annotated data, we design an asymmetric
cross-domain self-supervised training strategy. Our model architecture and
training designs mutually benefit each other, forming a powerful unsupervised
normal-to-low light adaptation framework. Comprehensive experiments demonstrate
that our method surpasses existing low-light enhancement and adaptation methods
and shows superior generalization on various low-light vision tasks, including
classification, detection, action recognition, and optical flow estimation.
Project website: https://daooshee.github.io/SACC-Website/
- Abstract(参考訳): 低照度条件は人間の視覚経験を劣化させるだけでなく、下流のマシン分析の性能も低下させる。
ローライト・エンハンスメントやドメインアダプティブ・マシン・アナリティクスのために多くの作品が設計されているが、前者はハイレベルなビジョンをあまり考えておらず、後者は画像レベルの信号調整の可能性を無視している。
マシンビジョンの観点から、未公開の画像やビデオを復元する方法は、長い間見過ごされてきた。
本稿では,高レベル視覚のための学習可能な照明強調モデルを提案する。
実カメラ応答関数に着想を得て、照明強調関数は凹凸曲線であるべきと仮定し、離散積分によりこの凹凸を満たすことを提案する。
タスク固有のアノテートデータを持たないマシンビジョンの観点から照明を適応させる目的で、非対称なクロスドメイン自己教師型トレーニング戦略を設計する。
我々のモデルアーキテクチャとトレーニングデザインは相互に恩恵を受け、強力な教師なし正規-低照度適応フレームワークを形成する。
包括的実験により,本手法は既存の低照度向上・適応手法を超越し,分類,検出,動作認識,光フロー推定など,様々な低照度視覚タスクに優れた一般化を示す。
プロジェクトウェブサイト: https://daooshee.github.io/SACC-Website/
関連論文リスト
- Fast Context-Based Low-Light Image Enhancement via Neural Implicit Representations [6.113035634680655]
現在のディープラーニングベースの低照度画像強調手法は高解像度画像としばしば競合する。
我々は、未露出画像の2次元座標を照明成分にマッピングすることで、拡張過程を再定義する、CoLIEと呼ばれる新しいアプローチを導入する。
論文 参考訳(メタデータ) (2024-07-17T11:51:52Z) - 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) - A Non-Uniform Low-Light Image Enhancement Method with Multi-Scale
Attention Transformer and Luminance Consistency Loss [11.585269110131659]
低照度画像強調は、薄暗い環境で収集された画像の知覚を改善することを目的としている。
既存の方法では、識別された輝度情報を適応的に抽出することができず、露光過多や露光過多を容易に引き起こすことができる。
MSATrというマルチスケールアテンション変換器を提案し,光バランスの局所的・グローバル的特徴を十分に抽出し,視覚的品質を向上させる。
論文 参考訳(メタデータ) (2023-12-27T10:07:11Z) - Low-Light Image Enhancement with Illumination-Aware Gamma Correction and
Complete Image Modelling Network [69.96295927854042]
低照度環境は通常、情報の少ない大規模な暗黒地帯に繋がる。
本稿では,ガンマ補正の有効性を深層ネットワークのモデリング能力と統合することを提案する。
指数関数演算は高い計算複雑性をもたらすので、Taylor Series を用いてガンマ補正を近似することを提案する。
論文 参考訳(メタデータ) (2023-08-16T08:46:51Z) - Bilevel Fast Scene Adaptation for Low-Light Image Enhancement [50.639332885989255]
低照度シーンにおける画像の強調は、コンピュータビジョンにおいて難しいが、広く懸念されている課題である。
主な障害は、異なるシーンにまたがる分散の相違によるモデリングの混乱にある。
上述の潜在対応をモデル化するための双レベルパラダイムを導入する。
エンコーダのシーン非関連な一般化を多様なシーンにもたらすために、双方向学習フレームワークを構築した。
論文 参考訳(メタデータ) (2023-06-02T08:16:21Z) - Toward Fast, Flexible, and Robust Low-Light Image Enhancement [87.27326390675155]
我々は、現実の低照度シナリオにおいて、高速でフレキシブルで頑健な鮮明化のための新しい自己校正イルミネーション(SCI)学習フレームワークを開発した。
カスケードパターンの計算負担を考慮すると、各ステージの結果の収束を実現する自己校正モジュールを構築する。
我々は,SCI固有の特性について,操作不感適応性やモデル非関係の一般性を含む包括的探索を行う。
論文 参考訳(メタデータ) (2022-04-21T14:40:32Z) - Learning with Nested Scene Modeling and Cooperative Architecture Search
for Low-Light Vision [95.45256938467237]
低照度シーンから撮影された画像は、しばしば深刻な劣化に悩まされる。
低照度画像の視覚的品質を高めるために深層学習法が提案されている。
他の低照度ビジョンアプリケーションを扱うために、これらの拡張テクニックを拡張することは依然として困難である。
論文 参考訳(メタデータ) (2021-12-09T06:08:31Z) - Improving Aerial Instance Segmentation in the Dark with Self-Supervised
Low Light Enhancement [6.500738558466833]
空中画像の低照度条件は、視覚ベースのアプリケーションの性能に悪影響を及ぼす。
自己監督型で低照度画像を高めることができる新しい手法を提案する。
GANを用いた新しい低照度航空データセットも提案する。
論文 参考訳(メタデータ) (2021-02-10T12:24:40Z) - Visual Perception Model for Rapid and Adaptive Low-light Image
Enhancement [19.955016389978926]
低照度画像強調は、低照度環境における情報知覚のための人間の視覚システム(HVS)の感度が不十分な問題に対処するための有望な解決策である。
以前のRetinexベースの作品は、常に光強度を推定することによって強化タスクを達成している。
本稿では,視覚の正確な数学的記述を得るために,視覚知覚(VP)モデルを提案する。
論文 参考訳(メタデータ) (2020-05-15T03:47:10Z) - 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。