論文の概要: Retinex Image Enhancement Based on Sequential Decomposition With a
Plug-and-Play Framework
- arxiv url: http://arxiv.org/abs/2210.05436v1
- Date: Tue, 11 Oct 2022 13:29:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 17:23:57.921715
- Title: Retinex Image Enhancement Based on Sequential Decomposition With a
Plug-and-Play Framework
- Title（参考訳）: Plug-and-Play フレームワークを用いた逐次分解に基づくレチネックス画像の強調
- Authors: Tingting Wu, Wenna Wu, Ying Yang, Feng-Lei Fan, Tieyong Zeng
- Abstract要約: 画像強調とノイズ除去を同時に行うために,Retinex理論に基づくプラグイン・アンド・プレイ・フレームワークを設計する。
我々のフレームワークは、画像の強調とデノーミングの両面で最先端の手法に勝っている。
- 参考スコア（独自算出の注目度）: 16.579397398441102
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Retinex model is one of the most representative and effective methods for
low-light image enhancement. However, the Retinex model does not explicitly
tackle the noise problem, and shows unsatisfactory enhancing results. In recent
years, due to the excellent performance, deep learning models have been widely
used in low-light image enhancement. However, these methods have two
limitations: i) The desirable performance can only be achieved by deep learning
when a large number of labeled data are available. However, it is not easy to
curate massive low/normal-light paired data; ii) Deep learning is notoriously a
black-box model [1]. It is difficult to explain their inner-working mechanism
and understand their behaviors. In this paper, using a sequential Retinex
decomposition strategy, we design a plug-and-play framework based on the
Retinex theory for simultaneously image enhancement and noise removal.
Meanwhile, we develop a convolutional neural network-based (CNN-based) denoiser
into our proposed plug-and-play framework to generate a reflectance component.
The final enhanced image is produced by integrating the illumination and
reflectance with gamma correction. The proposed plug-and-play framework can
facilitate both post hoc and ad hoc interpretability. Extensive experiments on
different datasets demonstrate that our framework outcompetes the
state-of-the-art methods in both image enhancement and denoising.
- Abstract（参考訳）: retinexモデルは、低光度画像エンハンスメントの最も代表的かつ効果的な方法の1つである。
しかし、Retinexモデルはノイズ問題に明示的に対応せず、不満足な改善結果を示す。
近年、優れた性能のため、低照度画像強調にディープラーニングモデルが広く用いられている。
しかし、これらの方法には2つの制限がある。
一 大量のラベル付きデータが利用可能である場合にのみ、望ましい性能が得られること。
しかし、大量の低/常光対データのキュレーションは容易ではない。
二 深層学習はブラックボックスモデルとして知られている[1]。
内部作業機構の説明や行動の理解は困難である。
本稿では、逐次Retinex分解戦略を用いて、画像強調とノイズ除去を同時に行うRetinex理論に基づくプラグアンドプレイフレームワークを設計する。
一方,提案するプラグアンドプレイフレームワークに畳み込みニューラルネットワーク(CNN)デノイザを組み込んで,リフレクタンスコンポーネントを生成する。
最終強調画像は、照明と反射率とガンマ補正を統合することで生成される。
提案するプラグイン・アンド・プレイフレームワークはポストホックとアドホックの双方の解釈を容易にする。
異なるデータセットに対する大規模な実験により、我々のフレームワークは画像の強調とデノーミングの両方において最先端の手法よりも優れていることが示された。
関連論文リスト
- RSEND: Retinex-based Squeeze and Excitation Network with Dark Region Detection for Efficient Low Light Image Enhancement [1.7356500114422735]
より正確で簡潔で一段階のRetinex理論に基づくフレームワークRSENDを提案する。
RSENDはまず、低照度画像を照明マップと反射マップに分割し、照明マップの重要な詳細をキャプチャして光強調を行う。
我々の効率の良いRetinexモデルは、他のCNNベースモデルよりも大幅に優れており、異なるデータセットで0.44dBから4.2dBまでのPSNRの改善を実現している。
論文 参考訳（メタデータ） (2024-06-14T01:36:52Z) - DI-Retinex: Digital-Imaging Retinex Theory for Low-Light Image Enhancement [73.57965762285075]
本稿では,デジタル画像におけるRetinex理論の理論的および実験的解析を通じて,Digital-Imaging Retinex theory(DI-Retinex)という新しい表現を提案する。
提案手法は, 視覚的品質, モデルサイズ, 速度の観点から, 既存の教師なし手法よりも優れていた。
論文 参考訳（メタデータ） (2024-04-04T09:53:00Z) - Zero-Shot Enhancement of Low-Light Image Based on Retinex Decomposition [4.175396687130961]
本稿ではZERRINNetと呼ばれるゼロショット低照度化手法の学習に基づくRetinex分解を提案する。
本手法は,ペアとアンペアのデータセットのトレーニングデータの影響を受けないゼロ参照拡張手法である。
論文 参考訳（メタデータ） (2023-11-06T09:57:48Z) - LLDiffusion: Learning Degradation Representations in Diffusion Models
for Low-Light Image Enhancement [118.83316133601319]
現在の低照度画像強調(LLIE)の深層学習法は、通常、ペア化されたデータから学んだピクセルワイドマッピングに依存している。
本稿では,拡散モデルを用いたLLIEの劣化認識学習手法を提案する。
論文 参考訳（メタデータ） (2023-07-27T07:22:51Z) - ExposureDiffusion: Learning to Expose for Low-light Image Enhancement [87.08496758469835]
この研究は、拡散モデルと物理ベースの露光モデルとをシームレスに統合することで、この問題に対処する。
提案手法は,バニラ拡散モデルと比較して性能が大幅に向上し,推論時間を短縮する。
提案するフレームワークは、実際のペア付きデータセット、SOTAノイズモデル、および異なるバックボーンネットワークの両方で動作する。
論文 参考訳（メタデータ） (2023-07-15T04:48:35Z) - Retinexformer: One-stage Retinex-based Transformer for Low-light Image
Enhancement [96.09255345336639]
低照度画像の高精細化のために,原理化された1段Retinex-based Framework (ORF) を定式化する。
ORFはまず照明情報を推定し、低照度画像を照らす。
我々のアルゴリズムであるRetinexformerは13のベンチマークで最先端の手法を大幅に上回っている。
論文 参考訳（メタデータ） (2023-03-12T16:54:08Z) - Plug-and-Play Image Restoration with Deep Denoiser Prior [186.84724418955054]
モデルに基づく手法では,デノイザが暗黙的に画像として機能し,多くの逆問題に対処できることを示す。
非常に柔軟で効果的なCNNデノイザをトレーニングする前に、ベンチマークディープデノイザを設定しました。
次に, 2次分割に基づくイテレーティブアルゴリズムを用いて, 画像復元問題の解法を提案する。
論文 参考訳（メタデータ） (2020-08-31T17:18:58Z) - 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。