論文の概要: Illumination-Based Color Reconstruction for the Dynamic Vision Sensor
- arxiv url: http://arxiv.org/abs/2211.06695v1
- Date: Sat, 12 Nov 2022 16:00:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 19:35:30.068342
- Title: Illumination-Based Color Reconstruction for the Dynamic Vision Sensor
- Title（参考訳）: ダイナミックビジョンセンサのための照明による色再構成
- Authors: Khen Cohen, Omer Hershko, Homer Levy, David Mendlovic, and Dan Raviv
- Abstract要約: ダイナミック・ビジョン・センサ(DVS)を用いた全空間解像度カラー画像の再構成手法を提案する。
我々はDVS応答を分析し、線形ベースと畳み込みニューラルネットワークの2つの再構成アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 6.654949459658243
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work demonstrates a novel, state of the art method to reconstruct
colored images via the Dynamic Vision Sensor (DVS). The DVS is an image sensor
that indicates only a binary change in brightness, with no information about
the captured wavelength (color), or intensity level. We present a novel method
to reconstruct a full spatial resolution colored image with the DVS and an
active colored light source. We analyze the DVS response and present two
reconstruction algorithms: Linear based and Convolutional Neural Network Based.
In addition, we demonstrate our algorithm robustness to changes in
environmental conditions such as illumination and distance. Finally, comparing
with previous works, we show how we reach the state of the art results.
- Abstract（参考訳）: この研究は、ダイナミック・ビジョン・センサー(DVS)を介して色付き画像を再構成する技術の現状を示す。
dvsは、撮像された波長(色)や強度レベルに関する情報を持たない、輝度の2値変化のみを示すイメージセンサである。
本稿では,dvsとアクティブカラー光源を用いて全空間分解能カラー画像を再構成する新しい手法を提案する。
我々はDVS応答を分析し、線形ベースと畳み込みニューラルネットワークの2つの再構成アルゴリズムを提案する。
また,照明や距離などの環境条件の変化に対して,アルゴリズムの堅牢性を示す。
最後に, 過去の作品と比較し, 成果の達成方法を示す。
関連論文リスト
- Multispectral Texture Synthesis using RGB Convolutional Neural Networks [2.3213238782019316]
最先端のRGBテクスチャ合成アルゴリズムは、深い特徴の統計によって計算されるスタイル距離に依存している。
本稿では,これらの手法をマルチスペクトルイメージングに拡張する2つの方法を提案する。
論文 参考訳（メタデータ） (2024-10-21T13:49:54Z) - 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) - Color Recognition in Challenging Lighting Environments: CNN Approach [0.0]
研究者は、コンピュータビジョンの応用のための色検出技術を強化するために取り組んでいる。
この問題に対処するために,畳み込みニューラルネットワーク(CNN)に基づく色検出手法を提案する。
本手法は照明条件の異なる色検出の堅牢性を大幅に向上させることができることを実験的に検証した。
論文 参考訳（メタデータ） (2024-02-07T11:26:00Z) - Neural 3D Reconstruction in the Wild [86.6264706256377]
そこで我々は,インターネット写真コレクションから効率よく高精度な表面再構成を実現する新しい手法を提案する。
そこで本研究では,これらのシーンにおける再構成性能を評価するための新しいベンチマークとプロトコルを提案する。
論文 参考訳（メタデータ） (2022-05-25T17:59:53Z) - Neural RGB-D Surface Reconstruction [15.438678277705424]
神経放射場を学習する手法は驚くべき画像合成結果を示しているが、基礎となる幾何学表現は実際の幾何学の粗い近似にすぎない。
本研究では, より詳細な再現結果を得るために, 深度測定を放射場定式化に組み込む方法を示す。
論文 参考訳（メタデータ） (2021-04-09T18:00:01Z) - 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) - Neural Re-Rendering of Humans from a Single Image [80.53438609047896]
本稿では,新しいユーザ定義のポーズと視点の下での人間のニューラルリレンダリング手法を提案する。
私たちのアルゴリズムは、単一の画像から再構築できるパラメトリックメッシュとして体ポーズと形状を表します。
論文 参考訳（メタデータ） (2021-01-11T18:53:47Z) - Neural Radiance Flow for 4D View Synthesis and Video Processing [59.9116932930108]
本稿では,RGB画像から動的シーンの4次元空間時空間表現を学習する手法を提案する。
私たちのアプローチの鍵は、シーンの3D占有率、輝度、およびダイナミクスをキャプチャすることを学ぶ神経暗黙表現を使用することです。
論文 参考訳（メタデータ） (2020-12-17T17:54:32Z) - RGBD-Net: Predicting color and depth images for novel views synthesis [46.233701784858184]
RGBD-Netは,対象のポーズの深度マップとカラーイメージをマルチスケールで予測するために提案される。
その結果、RGBD-Netは、これまで見つからなかったデータに対してよく一般化されていることが示唆された。
論文 参考訳（メタデータ） (2020-11-29T16:42:53Z) - D-NeRF: Neural Radiance Fields for Dynamic Scenes [72.75686949608624]
そこで我々は,D-NeRF(D-NeRF)を動的領域に拡張する手法を提案する。
D-NeRFは、周囲を動き回るカメラから、剛体で非剛体な動きの下で物体のイメージを再構成する。
我々は,剛体・調音・非剛体動作下での物体のシーンに対するアプローチの有効性を実証した。
論文 参考訳（メタデータ） (2020-11-27T19:06:50Z)
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。