論文の概要: Low-Light Image Enhancement by Learning Contrastive Representations in
Spatial and Frequency Domains
- arxiv url: http://arxiv.org/abs/2303.13412v1
- Date: Thu, 23 Mar 2023 16:32:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-24 13:20:58.723766
- Title: Low-Light Image Enhancement by Learning Contrastive Representations in
Spatial and Frequency Domains
- Title（参考訳）: 空間領域と周波数領域におけるコントラスト表現の学習による低光度画像強調
- Authors: Yi Huang, Xiaoguang Tu, Gui Fu, Tingting Liu, Bokai Liu, Ming Yang,
Ziliang Feng
- Abstract要約: 照度補正ネットワークにコントラスト学習を組み込んで,抽象表現を学習し,様々な低照度条件を識別することを提案する。
光条件が画像の周波数成分を変化させることを考えると、空間領域と周波数領域の両方で表現が学習され比較される。
その結果,提案手法は,他の最先端技術と比較して質的,定量的な結果が得られることがわかった。
- 参考スコア（独自算出の注目度）: 8.741111756168916
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Images taken under low-light conditions tend to suffer from poor visibility,
which can decrease image quality and even reduce the performance of the
downstream tasks. It is hard for a CNN-based method to learn generalized
features that can recover normal images from the ones under various unknow
low-light conditions. In this paper, we propose to incorporate the contrastive
learning into an illumination correction network to learn abstract
representations to distinguish various low-light conditions in the
representation space, with the purpose of enhancing the generalizability of the
network. Considering that light conditions can change the frequency components
of the images, the representations are learned and compared in both spatial and
frequency domains to make full advantage of the contrastive learning. The
proposed method is evaluated on LOL and LOL-V2 datasets, the results show that
the proposed method achieves better qualitative and quantitative results
compared with other state-of-the-arts.
- Abstract（参考訳）: 低照度条件下で撮影された画像は視認性が低下し、画質が低下し、下流タスクのパフォーマンスが低下する。
様々な低照度条件下での正常画像の復元が可能な一般化特徴をCNNベースの手法で学習することは困難である。
本稿では,コントラスト学習を照明補正ネットワークに取り入れ,抽象表現を学習し,表現空間における様々な低照度条件を識別し,ネットワークの一般化可能性を高めることを目的とする。
光条件が画像の周波数成分を変化させる可能性があることを考慮し、空間領域と周波数領域の両方で表現を学習し比較し、コントラスト学習を最大限に活用する。
提案手法は LOL と LOL-V2 のデータセットを用いて評価し,提案手法が他の最先端技術と比較して質的,定量的な結果が得られることを示した。
関連論文リスト
- Enhancing Low-light Light Field Images with A Deep Compensation Unfolding Network [52.77569396659629]
本稿では,低光環境下で撮像した光場(LF)画像の復元に,DCUNet(Deep compensation network openfolding)を提案する。
このフレームワークは、中間拡張結果を使用して照明マップを推定し、展開プロセスで新しい拡張結果を生成する。
本稿では,LF画像の特徴を適切に活用するために,擬似明示的特徴相互作用モジュールを提案する。
論文 参考訳（メタデータ） (2023-08-10T07:53:06Z) - SCRNet: a Retinex Structure-based Low-light Enhancement Model Guided by
Spatial Consistency [22.54951703413469]
本稿では,SCRNet(Spatial Consistency Retinex Network)と呼ばれる,新しい低照度画像強調モデルを提案する。
提案モデルでは, 空間的整合性の原理に着想を得て, チャネルレベル, セマンティックレベル, テクスチャレベルという3つのレベルの整合性を考慮した。
様々な低照度画像データセットに対する広範囲な評価は、提案したSCRNetが既存の最先端手法より優れていることを示している。
論文 参考訳（メタデータ） (2023-05-14T03:32:19Z) - 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) - DEANet: Decomposition Enhancement and Adjustment Network for Low-Light
Image Enhancement [8.328470427768695]
本稿では,低照度画像強調のためのRetinexに基づくDEANetを提案する。
画像の周波数情報とコンテンツ情報を3つのサブネットワークに結合する。
我々のモデルは、すべての低照度画像に対して優れたロバストな結果が得られる。
論文 参考訳（メタデータ） (2022-09-14T03:01:55Z) - Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。
事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。
識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
論文 参考訳（メタデータ） (2022-07-19T14:35:42Z) - Semi-supervised atmospheric component learning in low-light image
problem [0.0]
環境照明条件は、写真装置から画像の知覚的品質を決定する上で重要な役割を担っている。
本研究では,低照度画像復元のための非参照画像品質指標を用いた半教師付きトレーニング手法を提案する。
論文 参考訳（メタデータ） (2022-04-15T17:06:33Z) - 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) - Invertible Network for Unpaired Low-light Image Enhancement [78.33382003460903]
本稿では,非可逆的ネットワークを活用して,前処理における低照度画像の強化と,非対向学習により逆向きに通常の照度画像の劣化を図ることを提案する。
対向的損失に加えて、トレーニングの安定性を確保し、より詳細な画像を保存するために、様々な損失関数を設計する。
低照度画像に対するプログレッシブ自己誘導強調処理を提案し,SOTAに対して良好な性能を示す。
論文 参考訳（メタデータ） (2021-12-24T17:00:54Z) - ReLLIE: Deep Reinforcement Learning for Customized Low-Light Image
Enhancement [21.680891925479195]
低照度画像強調(LLIE)は広く普及するが難しい問題である。
本稿では、低照度化をカスタマイズするReLLIEと呼ばれる新しい深層強化学習手法を提案する。
論文 参考訳（メタデータ） (2021-07-13T03:36:30Z) - 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) - 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。