論文の概要: Single-Image HDR Reconstruction by Multi-Exposure Generation

• arxiv url: http://arxiv.org/abs/2210.15897v1
• Date: Fri, 28 Oct 2022 05:12:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 17:34:53.153641
• Title: Single-Image HDR Reconstruction by Multi-Exposure Generation
• Title（参考訳）: マルチ露光による単一画像HDR再構成
• Authors: Phuoc-Hieu Le, Quynh Le, Rang Nguyen, Binh-Son Hua
• Abstract要約: 本稿では,HDR再構成のための物理画像形成過程を逆転する弱教師付き学習手法を提案する。 我々のニューラルネットワークは、複数の露光を合成する前に画素照射を再構成するためにカメラ応答を反転させることができる。 実験の結果,提案手法はHDR画像の再構成を効果的に行うことができることがわかった。
• 参考スコア（独自算出の注目度）: 8.656080193351581
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High dynamic range (HDR) imaging is an indispensable technique in modern photography. Traditional methods focus on HDR reconstruction from multiple images, solving the core problems of image alignment, fusion, and tone mapping, yet having a perfect solution due to ghosting and other visual artifacts in the reconstruction. Recent attempts at single-image HDR reconstruction show a promising alternative: by learning to map pixel values to their irradiance using a neural network, one can bypass the align-and-merge pipeline completely yet still obtain a high-quality HDR image. In this work, we propose a weakly supervised learning method that inverts the physical image formation process for HDR reconstruction via learning to generate multiple exposures from a single image. Our neural network can invert the camera response to reconstruct pixel irradiance before synthesizing multiple exposures and hallucinating details in under- and over-exposed regions from a single input image. To train the network, we propose a representation loss, a reconstruction loss, and a perceptual loss applied on pairs of under- and over-exposure images and thus do not require HDR images for training. Our experiments show that our proposed model can effectively reconstruct HDR images. Our qualitative and quantitative results show that our method achieves state-of-the-art performance on the DrTMO dataset. Our code is available at https://github.com/VinAIResearch/single_image_hdr.
• Abstract（参考訳）: 高ダイナミックレンジ(HDR)イメージングは、現代写真に欠かせない技術である。 従来の方法では、複数の画像からのHDR再構成に焦点を合わせ、画像アライメント、融合、トーンマッピングといった中核的な問題を解くが、ゴーストや他の視覚的アーティファクトによる完璧な解決策は得られない。 近年のシングルイメージHDR再構成の試みは、期待できる代替手段である。ニューラルネットワークを用いて画素値を照度にマッピングすることを学ぶことで、アライメント・アンド・マージパイプラインを完全にバイパスできるが、高品質のHDR画像が得られる。 本研究では,HDR再構成のための物理画像生成過程を学習を通して逆転し,単一の画像から複数の露光を生成する弱教師付き学習手法を提案する。 ニューラルネットワークは、複数の露光を合成する前にカメラ応答を反転させ、単一の入力画像から未露光領域と過剰露光領域で詳細を幻覚することができる。 ネットワークをトレーニングするために,一対のアンダー露光画像に適用された表現損失,再構成損失,知覚損失を提案し,訓練にHDR画像を必要としない。 提案手法は,hdr画像を効果的に再現できることを示す。 定性的かつ定量的な結果から,本手法がDrTMOデータセットの最先端性能を実現することを示す。 私たちのコードはhttps://github.com/vinairesearch/single_image_hdrで利用可能です。

関連論文リスト

• Self-Supervised High Dynamic Range Imaging with Multi-Exposure Images in Dynamic Scenes [58.66427721308464]
  Selfは、訓練中にダイナミックなマルチ露光画像のみを必要とする自己教師型再構成手法である。 Selfは最先端の自己管理手法に対して優れた結果を出し、教師付き手法に匹敵するパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-10-03T07:10:49Z)
• Learning Continuous Exposure Value Representations for Single-Image HDR Reconstruction [23.930923461672894]
  LDRスタックに基づく手法は, 深層学習により生成したHDRスタックからHDR画像を生成する単一像HDR再構成に使用される。 現在の方法では、所定の露光値(EV)を持つスタックを生成し、HDR再構成の品質を制限できる。 本稿では、暗黙の関数を用いて任意のEVでLDR画像を生成する連続露光値表現(CEVR)を提案する。
  論文  参考訳（メタデータ） (2023-09-07T17:59:03Z)
• SMAE: Few-shot Learning for HDR Deghosting with Saturation-Aware Masked Autoencoders [97.64072440883392]
  そこで本研究では,SSHDRと呼ばれる2段階の訓練を通した短距離HDRイメージングを実現するための,新しい半教師付きアプローチを提案する。 以前の方法とは異なり、コンテンツを直接回復し、ゴーストを同時に除去することは、最適に達成することが難しい。 実験により、SSHDRは異なるデータセットの内外における定量的かつ定性的に最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-04-14T03:42:51Z)
• GlowGAN: Unsupervised Learning of HDR Images from LDR Images in the Wild [74.52723408793648]
  そこで本研究では,HDR画像の生成モデルを構築するための第1の手法について述べる。 鍵となる考え方は、GAN(Generative Adversarial Network)を訓練して、様々な露光下でLDRに投影された場合、実際のLDR画像と区別できないHDR画像を生成することである。 実験の結果,GlowGANはランドスケープ,雷,窓など多くの難題において,光現実的HDR画像を合成できることがわかった。
  論文  参考訳（メタデータ） (2022-11-22T15:42:08Z)
• HDRUNet: Single Image HDR Reconstruction with Denoising and Dequantization [39.82945546614887]
  本研究では,空間動的エンコーダデコーダネットワークであるHDRUNetを用いて,単一画像HDR再構成のためのエンドツーエンドマッピングを学習する。 本手法は,定量的比較と視覚的品質において最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-05-27T12:12:34Z)
• Beyond Visual Attractiveness: Physically Plausible Single Image HDR Reconstruction for Spherical Panoramas [60.24132321381606]
  我々は,単発hdr再構成フレームワークに物理的照度制約を導入する。 本手法は,視覚に訴えるだけでなく,物理的に妥当なHDRを生成することができる。
  論文  参考訳（メタデータ） (2021-03-24T01:51:19Z)
• HDR-GAN: HDR Image Reconstruction from Multi-Exposed LDR Images with Large Motions [62.44802076971331]
  マルチ露光LDR画像からHDR画像を合成するための新しいGANモデルHDR-GANを提案する。 本手法は,敵対学習を取り入れることで,欠落したコンテンツのある領域に忠実な情報を生成することができる。
  論文  参考訳（メタデータ） (2020-07-03T11:42:35Z)
• End-to-End Differentiable Learning to HDR Image Synthesis for Multi-exposure Images [23.895981099137533]
  与えられた単一露光からの多重露光スタックに基づく高ダイナミックレンジ()画像再構成は、ディープラーニングフレームワークを用いて高品質なHDR画像を生成する。 我々は, スタック再構成に基づく手法において, 完全に微分可能な高ダイナミックレンジイメージング(I)プロセスを用いた新しいフレームワークを提案する。 言い換えれば、我々の微分可能なHDR合成層は、深層ニューラルネットワークがHDRIプロセスにおけるマルチ露光画像間の正確な相関を反映しながら、マルチ露光スタックを作成する訓練を支援する。
  論文  参考訳（メタデータ） (2020-06-29T06:47:07Z)
• Single-Image HDR Reconstruction by Learning to Reverse the Camera Pipeline [100.5353614588565]
  本稿では,LDR画像形成パイプラインの領域知識をモデルに組み込むことを提案する。 我々は,HDRto-LDR画像形成パイプラインを(1)ダイナミックレンジクリッピング,(2)カメラ応答関数からの非線形マッピング,(3)量子化としてモデル化する。 提案手法は,最先端の単一画像HDR再構成アルゴリズムに対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2020-04-02T17:59:04Z)

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。