論文の概要: Spectrum-inspired Low-light Image Translation for Saliency Detection

• arxiv url: http://arxiv.org/abs/2303.10145v1
• Date: Fri, 17 Mar 2023 17:30:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-20 13:29:12.633975
• Title: Spectrum-inspired Low-light Image Translation for Saliency Detection
• Title（参考訳）: 輝度検出のためのスペクトルインスピレーションによる低光画像変換
• Authors: Kitty Varghese, Sudarshan Rajagopalan, Mohit Lamba, Kaushik Mitra
• Abstract要約: そこで本研究では,高照度画像を低照度画像に変換する手法を提案し,それを実写低照度画像のプロキシとして利用する。 何千ものパラメータと膨大な量のトレーニングデータを必要とする一般的なディープラーニングアプローチとは異なり、提案された変換は高速でシンプルで、低光深度推定のような他のタスクにも容易に拡張できる。 本実験により, プロキシ低照度画像上でトレーニングした最先端の精度検出および深度推定ネットワークは, 既存の戦略を用いてトレーニングしたネットワークに比べて, 実際の低照度画像に対して有意に優れた性能を示した。
• 参考スコア（独自算出の注目度）: 23.368690302292563
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Saliency detection methods are central to several real-world applications such as robot navigation and satellite imagery. However, the performance of existing methods deteriorate under low-light conditions because training datasets mostly comprise of well-lit images. One possible solution is to collect a new dataset for low-light conditions. This involves pixel-level annotations, which is not only tedious and time-consuming but also infeasible if a huge training corpus is required. We propose a technique that performs classical band-pass filtering in the Fourier space to transform well-lit images to low-light images and use them as a proxy for real low-light images. Unlike popular deep learning approaches which require learning thousands of parameters and enormous amounts of training data, the proposed transformation is fast and simple and easy to extend to other tasks such as low-light depth estimation. Our experiments show that the state-of-the-art saliency detection and depth estimation networks trained on our proxy low-light images perform significantly better on real low-light images than networks trained using existing strategies.
• Abstract（参考訳）: 精度検出方法は、ロボットナビゲーションや衛星画像などの現実的な応用の中心である。 しかし、トレーニングデータセットは、主に明るい画像で構成されているため、既存の手法の性能は低照度で劣化する。 可能な解決策の1つは、低照度条件のための新しいデータセットを集めることである。 これは、退屈で時間を要するだけでなく、巨大なトレーニングコーパスが必要な場合にも有効ではないピクセルレベルのアノテーションを含んでいる。 本稿では,Fourier空間における古典的帯域通過フィルタにより,鮮やかな画像を低照度画像に変換し,実際の低照度画像のプロキシとして利用する手法を提案する。 何千ものパラメータと膨大なトレーニングデータを必要とする一般的なディープラーニングアプローチとは異なり、提案する変換は高速でシンプルで、低光度推定など他のタスクにも簡単に拡張できる。 提案手法では, 実低照度画像では, 既存の手法で訓練したネットワークに比べて, 最先端のサリエンシー検出と深度推定ネットワークの性能が著しく向上することを示す。

関連論文リスト

• Simplifying Low-Light Image Enhancement Networks with Relative Loss Functions [14.63586364951471]
  FLW-Net(Fast and LightWeight Network)と2つの相対損失関数を導入し,低照度画像強調における学習を容易にする。 我々はまず、グローバルコントラストを得るための大きな受容領域の必要性の課題を認識した。 そこで我々は,これらの課題を克服するために,相対情報に基づく効率的なグローバル特徴情報抽出コンポーネントと2つの損失関数を提案する。
  論文  参考訳（メタデータ） (2023-04-06T10:05:54Z)
• 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)
• 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 Relight Portrait Images via a Virtual Light Stage and Synthetic-to-Real Adaptation [76.96499178502759]
  Relightingは、イメージ内の人物を、ターゲットの照明のある環境に現れたかのように再照らすことを目的としている。 最近の手法は、高品質な結果を得るためにディープラーニングに依存している。 そこで本研究では,光ステージを必要とせずに,SOTA(State-of-the-art Relighting Method)と同等に動作可能な新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-09-21T17:15:58Z)
• 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)
• Towards Geometry Guided Neural Relighting with Flash Photography [26.511476565209026]
  本稿では,深層学習を用いた深度マップを用いた1枚のフラッシュ写真から画像のリライティングを行うフレームワークを提案する。 本研究は,本質的な画像分解と画像リライティングにおける最先端の画像ベースアプローチに対する幾何学的アプローチの利点を実験的に検証する。
  論文  参考訳（メタデータ） (2020-08-12T08:03:28Z)
• Deep Bilateral Retinex for Low-Light Image Enhancement [96.15991198417552]
  低照度画像は、低コントラスト、色歪み、測定ノイズによる視界の低下に悩まされる。 本稿では,低照度画像強調のための深層学習手法を提案する。 提案手法は最先端の手法と非常に競合し, 極めて低照度で撮影した画像の処理において, 他に比べて大きな優位性を有する。
  論文  参考訳（メタデータ） (2020-07-04T06:26:44Z)
• Syn2Real Transfer Learning for Image Deraining using Gaussian Processes [92.15895515035795]
  CNNに基づく画像デライニング手法は,再現誤差や視覚的品質の点で優れた性能を発揮している。 実世界の完全ラベル付き画像デライニングデータセットを取得する上での課題により、既存の手法は合成されたデータのみに基づいて訓練される。 本稿では,ガウス過程に基づく半教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T00:33:18Z)
• A Comparison of Few-Shot Learning Methods for Underwater Optical and Sonar Image Classification [10.448481847860705]
  ディープ畳み込みニューラルネットワークは一般的に水中の物体認識タスクでよく機能する。 Few-Shot Learningの取り組みは、データ可用性を低くする多くの有望な方法を生み出している。 本論文は,水中光およびサイドスキャンソナー画像を用いて,教師付きおよび半教師付きFew-Shot Learning法の評価と比較を行った最初の論文である。
  論文  参考訳（メタデータ） (2020-05-10T10:11:16Z)

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。