論文の概要: Human Pose Estimation in Extremely Low-Light Conditions

• arxiv url: http://arxiv.org/abs/2303.15410v1
• Date: Mon, 27 Mar 2023 17:28:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-28 14:19:58.038189
• Title: Human Pose Estimation in Extremely Low-Light Conditions
• Title（参考訳）: 極低照度条件下での人間の姿勢推定
• Authors: Sohyun Lee, Jaesung Rim, Boseung Jeong, Geonu Kim, Byungju Woo, Haechan Lee, Sunghyun Cho, Suha Kwak
• Abstract要約: 我々は、専用のカメラシステムを開発し、正確なポーズラベルを持つ実際の低照度画像の新しいデータセットを構築した。 我々のカメラシステムにより、データセット内の各低照度画像は、整列した明るい画像と結合され、正確なポーズラベリングを可能にします。 また、照明条件に敏感な表現を学習するために、特権情報を完全に活用する新しいモデルと新しいトレーニング戦略を提案する。
• 参考スコア（独自算出の注目度）: 21.210706205233286
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study human pose estimation in extremely low-light images. This task is challenging due to the difficulty of collecting real low-light images with accurate labels, and severely corrupted inputs that degrade prediction quality significantly. To address the first issue, we develop a dedicated camera system and build a new dataset of real low-light images with accurate pose labels. Thanks to our camera system, each low-light image in our dataset is coupled with an aligned well-lit image, which enables accurate pose labeling and is used as privileged information during training. We also propose a new model and a new training strategy that fully exploit the privileged information to learn representation insensitive to lighting conditions. Our method demonstrates outstanding performance on real extremely low light images, and extensive analyses validate that both of our model and dataset contribute to the success.
• Abstract（参考訳）: 極低照度画像における人間のポーズ推定について検討する。 この課題は、正確なラベルによる実際の低照度画像の収集が困難であり、予測品質を著しく劣化させた入力が困難である。 最初の問題に対処するために、専用のカメラシステムを開発し、正確なポーズラベルを持つ実際の低照度画像の新しいデータセットを構築する。 当社のカメラシステムでは,データセット内の各低照度画像に,適切なポーズラベリングが可能で,トレーニング時の特権情報として使用される,アライメントされた高照度画像が結合されている。 また,照明条件に敏感な表現を学習するために,特権情報を完全に活用する新しいモデルと新しい訓練戦略を提案する。 提案手法は, 実際の極低照度画像に対して優れた性能を示し, モデルとデータセットの両方が成功に寄与することを示す。

関連論文リスト

• Semi-LLIE: Semi-supervised Contrastive Learning with Mamba-based Low-light Image Enhancement [59.17372460692809]
  本研究は、平均教師による半教師付き低照度強化(Semi-LLIE)フレームワークを提案する。 照度分布を忠実に伝達するために、意味認識によるコントラスト損失を導入し、自然色による画像の強調に寄与する。 また,大規模な視覚言語認識モデル(RAM)に基づく新たな知覚損失を提案し,よりリッチなテキストによる画像生成を支援する。
  論文  参考訳（メタデータ） (2024-09-25T04:05:32Z)
• Domain-Adaptive 2D Human Pose Estimation via Dual Teachers in Extremely Low-Light Conditions [65.0109231252639]
  低照度ポーズ推定の最近の研究は、トレーニングのために地上の真実とペアの明るい画像と低照度画像を使用する必要がある。 我々の主な新規性は、2つの補完的な教員ネットワークを活用して、より信頼性の高い擬似ラベルを生成することである。 本手法は最新技術(SOTA)法に対して6.8%(2.4 AP)の改善を達成した。
  論文  参考訳（メタデータ） (2024-07-22T08:09:14Z)
• BVI-RLV: A Fully Registered Dataset and Benchmarks for Low-Light Video Enhancement [56.97766265018334]
  本稿では,2つの異なる低照度条件下での様々な動きシナリオを持つ40のシーンからなる低照度映像データセットを提案する。 我々は、プログラム可能なモータードリーを用いて、通常の光で捉えた完全に登録された地上真実データを提供し、異なる光レベルにわたるピクセルワイドフレームアライメントのための画像ベースアプローチによりそれを洗練する。 実験の結果,Low-light Video enhancement (LLVE) における完全登録ビデオペアの重要性が示された。
  論文  参考訳（メタデータ） (2024-07-03T22:41:49Z)
• Boosting Object Detection with Zero-Shot Day-Night Domain Adaptation [33.142262765252795]
  精巧なデータで訓練された検出器は、可視性が低いため、低照度データに対して顕著な性能低下を示す。 我々は、ゼロショット昼夜領域適応による低照度物体検出の高速化を提案する。 本手法は,低照度データを必要とすることなく,高照度シナリオから低照度シナリオへの検出器の一般化を行う。
  論文  参考訳（メタデータ） (2023-12-02T20:11:48Z)
• 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)
• 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)
• 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。