論文の概要: Few-Shot Domain Adaptation for Low Light RAW Image Enhancement
- arxiv url: http://arxiv.org/abs/2303.15528v1
- Date: Mon, 27 Mar 2023 18:10:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-29 17:36:00.851213
- Title: Few-Shot Domain Adaptation for Low Light RAW Image Enhancement
- Title（参考訳）: 低照度RAW画像強調のためのFew-Shot領域適応
- Authors: K. Ram Prabhakar, Vishal Vinod, Nihar Ranjan Sahoo, R. Venkatesh Babu
- Abstract要約: 実用的な低照度原画像の強調は、短い露光時間と照明の制限による激しいノイズや色歪みのために難しい課題である。
対象カメラからのラベル付きサンプルがほとんどない既存のソースカメラのラベル付きデータを利用するための,新規な数ショット領域適応手法を提案する。
実験の結果,対象カメラ領域のラベル付きサンプルは10個以下で,大容量のラベル付きカメラデータセットを用いてモデルをトレーニングするよりも,類似あるいは改善性能を向上できることがわかった。
- 参考スコア（独自算出の注目度）: 41.135497703299315
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Enhancing practical low light raw images is a difficult task due to severe
noise and color distortions from short exposure time and limited illumination.
Despite the success of existing Convolutional Neural Network (CNN) based
methods, their performance is not adaptable to different camera domains. In
addition, such methods also require large datasets with short-exposure and
corresponding long-exposure ground truth raw images for each camera domain,
which is tedious to compile. To address this issue, we present a novel few-shot
domain adaptation method to utilize the existing source camera labeled data
with few labeled samples from the target camera to improve the target domain's
enhancement quality in extreme low-light imaging. Our experiments show that
only ten or fewer labeled samples from the target camera domain are sufficient
to achieve similar or better enhancement performance than training a model with
a large labeled target camera dataset. To support research in this direction,
we also present a new low-light raw image dataset captured with a Nikon camera,
comprising short-exposure and their corresponding long-exposure ground truth
images.
- Abstract（参考訳）: 実用的な低照度原画像の強調は、短い露光時間と照明の制限による激しいノイズや色歪みのために難しい課題である。
既存の畳み込みニューラルネットワーク(cnn)ベースの手法の成功にもかかわらず、その性能は異なるカメラ領域に適応できない。
さらに、このような手法には、短い露光とそれに対応する長時間露光の真実の生画像を含む大規模なデータセットが必要である。
そこで本稿では,ターゲットカメラからのラベル付きサンプル数が少ない既存のソースカメララベルデータを利用して,極端低照度撮像におけるターゲット領域の強調品質を向上させるための,新しい少数ショット領域適応法を提案する。
実験の結果,ターゲットカメラ領域からのラベル付きサンプルは,大規模ラベル付きターゲットカメラデータセットでモデルをトレーニングするよりも,同等あるいは優れたエンハンスメント性能を実現するのに十分であることがわかった。
この方向の研究を支援するために,ニコンカメラで撮影した低照度生画像データセットを,短露光とそれに対応する長露光地上真理画像から提供する。
関連論文リスト
- Adaptive Domain Learning for Cross-domain Image Denoising [57.4030317607274]
本稿では,クロスドメイン画像認識のための適応型ドメイン学習手法を提案する。
私たちは、異なるセンサー(ソースドメイン)からの既存のデータに加えて、新しいセンサー(ターゲットドメイン)からの少量のデータを使用します。
ADLトレーニングスキームは、ターゲットドメインのモデルを微調整するのに有害なソースドメイン内のデータを自動的に削除する。
また,センサ固有の情報(センサタイプとISO)を取り入れ,画像認識のための入力データを理解するための変調モジュールも導入した。
論文 参考訳（メタデータ） (2024-11-03T08:08:26Z) - Retinex-RAWMamba: Bridging Demosaicing and Denoising for Low-Light RAW Image Enhancement [71.13353154514418]
低照度画像の強化、特に生ドメインからsRGBドメインへのマッピングのようなクロスドメインタスクは、依然として大きな課題である。
RAWMambaと呼ばれる新しいMambaスキャニング機構を提案する。
また,Retinex の先行したRetinex Decomposition Module (RDM) も提案する。
論文 参考訳（メタデータ） (2024-09-11T06:12:03Z) - 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) - Dimma: Semi-supervised Low Light Image Enhancement with Adaptive Dimming [0.728258471592763]
自然色を維持しながら低照度画像を強調することは、カメラ処理のバリエーションによって難しい問題である。
そこで我々はDimmaを提案する。Dimmaは、画像対の小さなセットを利用して、任意のカメラと整合する半教師付きアプローチである。
そこで我々は,照明の違いに基づいて,シーンの歪み色を生成する畳み込み混合密度ネットワークを導入することで実現した。
論文 参考訳（メタデータ） (2023-10-14T17:59:46Z) - 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) - A ground-based dataset and a diffusion model for on-orbit low-light image enhancement [7.815138548685792]
軌道上低光画像強調(LLIE)のためのバイドゥナビゲーション衛星のデータセットを提案する。
衝突することなく異なる方向と距離のポーズを均一にサンプリングするために、衝突のない作業空間と階層化サンプリングのポーズを提案する。
余剰露光や細部をぼかすことなく画像のコントラストを高めるために,構造と暗黒領域を強調するために,融合した注意を設計する。
論文 参考訳（メタデータ） (2023-06-25T12:15:44Z) - Instance Segmentation in the Dark [43.85818645776587]
暗黒領域のインスタンスセグメンテーションを深く見て、低照度推論精度を大幅に向上させるテクニックをいくつか導入する。
本稿では,適応重み付きダウンサンプリング層,スムーズな指向性畳み込みブロック,外乱抑制学習に依存する新しい学習手法を提案する。
実世界の低照度インスタンスセグメンテーションデータセットを,2万組以上の低照度/通常照度画像と,インスタンスレベルのピクセル単位のアノテーションでキャプチャする。
論文 参考訳（メタデータ） (2023-04-27T16:02:29Z) - Human Pose Estimation in Extremely Low-Light Conditions [21.210706205233286]
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。
論文 参考訳（メタデータ） (2023-03-27T17:28:25Z) - High Dynamic Range and Super-Resolution from Raw Image Bursts [52.341483902624006]
本稿では,露光ブラケット付きハンドヘルドカメラで撮影した原写真からの高解像度・高ダイナミックレンジカラー画像の再構成について紹介する。
提案アルゴリズムは,画像復元における最先端の学習手法と比較して,メモリ要求の少ない高速なアルゴリズムである。
実験では、ハンドヘルドカメラで野生で撮影された実際の写真に最大4ドル(約4,800円)の超高解像度な要素で優れた性能を示す。
論文 参考訳（メタデータ） (2022-07-29T13:31:28Z) - PlenoptiCam v1.0: A light-field imaging framework [8.467466998915018]
光界カメラは狭帯域深度センシングアプリケーションにおいてリッチな3次元情報検索において重要な役割を担っている。
レンズカメラによる露光から光フィールドを構成する際の重要な障害は、4次元画像データを計算的に調整し、調整し、再配置することである。
特定の望遠カメラ専用のパイプラインを調整することで、全体的な画質を向上させるためのいくつかの試みが提案されている。
論文 参考訳（メタデータ） (2020-10-14T09:23:18Z)
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。