論文の概要: Learning to Kindle the Starlight

• arxiv url: http://arxiv.org/abs/2211.09206v1
• Date: Wed, 16 Nov 2022 20:48:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-18 17:03:22.250714
• Title: Learning to Kindle the Starlight
• Title（参考訳）: Kindleで星の光を学べる
• Authors: Yu Yuan and Jiaqi Wu and Lindong Wang and Zhongliang Jing and Henry Leung and Shuyuan Zhu and Han Pan
• Abstract要約: 実写355点と半合成854点の星場画像を含む最初の星場画像強調ベンチマーク(SFIEB)を構築した。 本稿では,条件付き縮退拡散確率モデル(DDPM)に基づく第1の星場画像強調手法,すなわちStarDiffusionを提案する。 実験の結果,提案手法は最先端の低照度画像強調アルゴリズムに勝る有望な結果を示した。
• 参考スコア（独自算出の注目度）: 15.051722304804455
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Capturing highly appreciated star field images is extremely challenging due to light pollution, the requirements of specialized hardware, and the high level of photographic skills needed. Deep learning-based techniques have achieved remarkable results in low-light image enhancement (LLIE) but have not been widely applied to star field image enhancement due to the lack of training data. To address this problem, we construct the first Star Field Image Enhancement Benchmark (SFIEB) that contains 355 real-shot and 854 semi-synthetic star field images, all having the corresponding reference images. Using the presented dataset, we propose the first star field image enhancement approach, namely StarDiffusion, based on conditional denoising diffusion probabilistic models (DDPM). We introduce dynamic stochastic corruptions to the inputs of conditional DDPM to improve the performance and generalization of the network on our small-scale dataset. Experiments show promising results of our method, which outperforms state-of-the-art low-light image enhancement algorithms. The dataset and codes will be open-sourced.
• Abstract（参考訳）: 高い評価を受けた星面画像の撮影は、光害、特殊なハードウェアの要求、そして必要とされる高いレベルの写真技術のために非常に困難である。 深層学習に基づく技術は、低光度画像強調(llie)において顕著な成果を上げているが、トレーニングデータの欠如により、星面画像強調にはあまり適用されていない。 この問題に対処するため,実写355点,半合成854点の星体画像を含む第1の星体画像強調ベンチマーク(SFIEB)を構築した。 提案したデータセットを用いて,条件付き拡散確率モデル(DDPM)に基づく第1の星場画像強調手法,すなわちStarDiffusionを提案する。 条件付きDDPMの入力に動的確率的破損を導入し、我々の小規模データセットにおけるネットワークの性能と一般化を改善する。 実験の結果,提案手法は最先端の低照度画像強調アルゴリズムに勝る有望な結果を示した。 データセットとコードはオープンソースになる。

関連論文リスト

• GeNIe: Generative Hard Negative Images Through Diffusion [16.619150568764262]
  生成AIの最近の進歩により、自然画像に似たデータを生成する、より洗練された拡張技術が実現された。 本稿では,テキストプロンプトに条件付き潜伏拡散モデルを利用した新しい拡張手法であるGeNIeを紹介する。 本実験は,本手法の有効性と先行技術よりも優れた性能を示すものである。
  論文  参考訳（メタデータ） (2023-12-05T07:34:30Z)
• LDM-ISP: Enhancing Neural ISP for Low Light with Latent Diffusion Models [54.93010869546011]
  本稿では,事前学習した潜伏拡散モデルを用いて,超低照度画像の高精細化のためのニューラルISPを実現することを提案する。 具体的には、RAWドメイン上で動作するために事前訓練された潜在拡散モデルを調整するために、軽量なテーミングモジュールのセットをトレーニングする。 遅延拡散モデルにおけるUNet復調と復号化の異なる役割を観察し、低照度画像強調タスクを遅延空間低周波コンテンツ生成と復号位相高周波ディテール保守に分解するきっかけとなる。
  論文  参考訳（メタデータ） (2023-12-02T04:31:51Z)
• Randomize to Generalize: Domain Randomization for Runway FOD Detection [1.4249472316161877]
  細い物体検出は、小型化、低解像度化、オクルージョン化、背景クラッタ、照明条件、被写体対画像比の小さいため困難である。 本稿では,SRIA(Synthetic Image Augmentation)の新たな2段階手法を提案する。 検出精度は初期41%からOODテストセットの92%に改善した。
  論文  参考訳（メタデータ） (2023-09-23T05:02:31Z)
• Enhancing Low-Light Images Using Infrared-Encoded Images [81.8710581927427]
  従来の芸術は、主にピクセルワイド・ロスを用いて可視光スペクトルで捉えた低照度画像に焦点を当てていた。 我々は,赤外線カットオフフィルタを除去することにより,低照度環境下で撮影された画像の可視性を高める新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-07-09T08:29:19Z)
• Ultra-High-Definition Low-Light Image Enhancement: A Benchmark and Transformer-Based Method [51.30748775681917]
  低照度画像強調(LLIE)の課題を考察し,4K解像度と8K解像度の画像からなる大規模データベースを導入する。 我々は、系統的なベンチマーク研究を行い、現在のLLIEアルゴリズムと比較する。 第2のコントリビューションとして,変換器をベースとした低照度化手法であるLLFormerを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T09:05:07Z)
• 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)
• NOD: Taking a Closer Look at Detection under Extreme Low-Light Conditions with Night Object Detection Dataset [25.29013780731876]
  低い光は、以前考えられていたよりもマシン認知にとって困難である。 夜間に街路で撮影されたダイナミックなシーンを示す大規模なデータセットを提示する。 本稿では,画像強調モジュールをオブジェクト検出フレームワークと2つの新しいデータ拡張手法に組み込むことを提案する。
  論文  参考訳（メタデータ） (2021-10-20T03:44:04Z)
• Low Light Image Enhancement via Global and Local Context Modeling [164.85287246243956]
  低照度画像強調のためのコンテキスト認識ディープネットワークを導入。 まず、全空間領域上の補完的な手がかりを見つけるために空間相関をモデル化するグローバルコンテキストモジュールを特徴とする。 第二に、比較的大きな受容フィールドで局所的なコンテキストをキャプチャする密な残留ブロックを導入する。
  論文  参考訳（メタデータ） (2021-01-04T09:40:54Z)
• Adaptive Enhancement of Extreme Low-Light Images [4.511923587827301]
  室内と屋外の両方で撮影された1500枚の生画像のデータセットを作成します。 実行時に幅広い強度レベルで入力画像を拡張できる深層学習モデルを提案する。 実験結果から,提案したデータセットとモデルを組み合わせることで,画像の連続的かつ効果的に向上できることが示された。
  論文  参考訳（メタデータ） (2020-12-07T23:31:59Z)
• 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。