論文の概要: LVRNet: Lightweight Image Restoration for Aerial Images under Low Visibility

• arxiv url: http://arxiv.org/abs/2301.05434v1
• Date: Fri, 13 Jan 2023 08:43:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-16 14:25:26.202203
• Title: LVRNet: Lightweight Image Restoration for Aerial Images under Low Visibility
• Title（参考訳）: LVRNet:低視認性下における航空画像の軽量化
• Authors: Esha Pahwa, Achleshwar Luthra, Pratik Narang
• Abstract要約: 吹雪時の大気汚染・煙害・大気質指数の低下・低光・大気散乱・霧による視界の低下は、事故を防止するためにより重要となる。 高品質なイメージを生み出し、日々の使用に十分な効率でデプロイできるソリューションを構築することが不可欠です。 低視認性回復ネットワーク(LVRNet)と呼ばれる軽量ディープラーニングモデルを導入する。 また,PSNR 25.744 と 0.905 の SSIM を達成し,従来の画像復元手法よりも低レイテンシで性能が向上した。
• 参考スコア（独自算出の注目度）: 6.785107765806355
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Learning to recover clear images from images having a combination of degrading factors is a challenging task. That being said, autonomous surveillance in low visibility conditions caused by high pollution/smoke, poor air quality index, low light, atmospheric scattering, and haze during a blizzard becomes even more important to prevent accidents. It is thus crucial to form a solution that can result in a high-quality image and is efficient enough to be deployed for everyday use. However, the lack of proper datasets available to tackle this task limits the performance of the previous methods proposed. To this end, we generate the LowVis-AFO dataset, containing 3647 paired dark-hazy and clear images. We also introduce a lightweight deep learning model called Low-Visibility Restoration Network (LVRNet). It outperforms previous image restoration methods with low latency, achieving a PSNR value of 25.744 and an SSIM of 0.905, making our approach scalable and ready for practical use. The code and data can be found at https://github.com/Achleshwar/LVRNet.
• Abstract（参考訳）: 劣化要因の組合せを持つ画像からクリアイメージを復元する学習は難しい課題である。 とはいえ、高公害・喫煙、低品質指数、低光度、大気散乱、ブリザード中のヘイズなどによる視認性の低い環境での自律監視は、事故を防ぐ上でさらに重要になる。 したがって、高品質な画像が得られ、日々の使用に十分な効率で配置できるソリューションを構築することが不可欠である。 しかし、このタスクに対処するための適切なデータセットがないため、提案したメソッドのパフォーマンスが制限される。 この目的のために、3647対の暗く鮮明な画像を含むLowVis-AFOデータセットを生成する。 また、Low-Visibility Restoration Network (LVRNet)と呼ばれる軽量ディープラーニングモデルを導入する。 また,PSNR 25.744 と 0.905 の SSIM を達成し,従来の画像復元手法よりも低レイテンシで性能が向上した。 コードとデータはhttps://github.com/Achleshwar/LVRNetで見ることができる。

関連論文リスト

• 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)
• DarkShot: Lighting Dark Images with Low-Compute and High-Quality [11.256790804961563]
  本稿では,従来のSOTA(State-of-the-art)手法を低照度拡張タスクで上回る軽量ネットワークを提案する。 我々のモデルは、SOTAの復元品質を維持しながら、最小限の計算でUHD 4K解像度画像を復元することができる。
  論文  参考訳（メタデータ） (2023-12-28T03:26:50Z)
• 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)
• NoiSER: Noise is All You Need for Enhancing Low-Light Images Without Task-Related Data [103.04999391668753]
  タスク関連のトレーニングデータなしで、低照度画像を拡張できることが示される。 技術的には、アンダーラインノイズと呼ばれる新しい、魔法的で、効果的で効率的な方法を提案する。 我々のNoiSERは、量的および視覚的な結果の観点から、現在のタスク関連データに基づくLLIEモデルと非常に競合しています。
  論文  参考訳（メタデータ） (2022-11-09T06:18:18Z)
• Learning to restore images degraded by atmospheric turbulence using uncertainty [93.72048616001064]
  大気の乱流は、長距離イメージングシステムによって取得された画像の品質を著しく低下させることができる。 本研究では,大気乱流により劣化した1つの画像の復元のための深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-07-07T17:24:52Z)
• 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)
• BLNet: A Fast Deep Learning Framework for Low-Light Image Enhancement with Noise Removal and Color Restoration [14.75902042351609]
  我々は、Bringing the Lightness(BLNet)と呼ばれる非常に高速なディープラーニングフレームワークを提案する。 Retinex Theoryに基づいて、我々のモデルにおける分解ネットは、低照度画像を反射率と照明に分解することができる。 提案手法は, 良好なルバスト性および一般化によって有望な効果を発揮することを示すため, 広範囲な実験を行った。
  論文  参考訳（メタデータ） (2021-06-30T10:06:16Z)
• 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)
• Low-light Image Restoration with Short- and Long-exposure Raw Pairs [14.643663950015334]
  短時間・長時間露光画像の相補的情報を用いた新しい低照度画像復元手法を提案する。 まず,現実的な短時間・長時間露光生画像の合成のための新しいデータ生成手法を提案する。 そこで我々は,低照度画像融合の問題に対処するため,LSFNet(Long-Short-Exposure fusion Network)を新たに設計した。
  論文  参考訳（メタデータ） (2020-07-01T03:22:26Z)
• Contextual Residual Aggregation for Ultra High-Resolution Image Inpainting [12.839962012888199]
  そこで本稿では,CRA(Contextual Residual Aggregation)機構を提案する。 CRA機構は、コンテキストパッチからの残基の重み付けにより、欠落した内容に対して高周波残基を生成する。 提案手法は,解像度512×512の小型画像に対して学習し,高解像度画像に対する推論を行い,良好な塗装品質を実現する。
  論文  参考訳（メタデータ） (2020-05-19T18:55:32Z)

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。