論文の概要: GamutMLP: A Lightweight MLP for Color Loss Recovery

• arxiv url: http://arxiv.org/abs/2304.11743v1
• Date: Sun, 23 Apr 2023 20:26:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-25 16:36:03.677603
• Title: GamutMLP: A Lightweight MLP for Color Loss Recovery
• Title（参考訳）: GamutMLP:カラーロスリカバリのための軽量MLP
• Authors: Hoang M. Le, Brian Price, Scott Cohen, Michael S. Brown
• Abstract要約: GamutMLPは最適化に約2秒かかり、23KBのストレージしか必要としない。 色回復のためのアプローチの有効性を実証し、代替戦略と比較する。 この取り組みの一環として、トレーニングとテストのために2200個の広域/小域画像からなる新しい色域データセットを導入する。
• 参考スコア（独自算出の注目度）: 40.273821032576606
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cameras and image-editing software often process images in the wide-gamut ProPhoto color space, encompassing 90% of all visible colors. However, when images are encoded for sharing, this color-rich representation is transformed and clipped to fit within the small-gamut standard RGB (sRGB) color space, representing only 30% of visible colors. Recovering the lost color information is challenging due to the clipping procedure. Inspired by neural implicit representations for 2D images, we propose a method that optimizes a lightweight multi-layer-perceptron (MLP) model during the gamut reduction step to predict the clipped values. GamutMLP takes approximately 2 seconds to optimize and requires only 23 KB of storage. The small memory footprint allows our GamutMLP model to be saved as metadata in the sRGB image -- the model can be extracted when needed to restore wide-gamut color values. We demonstrate the effectiveness of our approach for color recovery and compare it with alternative strategies, including pre-trained DNN-based gamut expansion networks and other implicit neural representation methods. As part of this effort, we introduce a new color gamut dataset of 2200 wide-gamut/small-gamut images for training and testing. Our code and dataset can be found on the project website: https://gamut-mlp.github.io.
• Abstract（参考訳）: カメラと画像編集ソフトウェアは広域のProPhotoカラー空間で画像を処理し、全可視色の90%をカバーしている。 しかし、画像が共有のために符号化されると、この色豊かな表現は変換され、小域標準RGB(sRGB)色空間に収まるようにクリップされる。 色情報の復元は, クリッピング手順により困難である。 2次元画像の暗黙的表現に着想を得て,ガミュート縮小段階における軽量多層パーセプトロン(MLP)モデルを最適化し,クリッピング値を予測する手法を提案する。 GamutMLPは最適化に約2秒かかり、23KBのストレージしか必要としない。 小さなメモリフットプリントにより、GamutMLPモデルをsRGBイメージのメタデータとして保存することができます。 色回復のためのアプローチの有効性を実証し、事前学習したDNNベースのガム拡張ネットワークや他の暗黙の神経表現手法を含む代替戦略と比較する。 この取り組みの一環として、トレーニングとテストのために2200個の広域/小域画像からなる新しい色域データセットを導入する。 私たちのコードとデータセットはプロジェクトのWebサイトにある。

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)
• Training Neural Networks on RAW and HDR Images for Restoration Tasks [59.41340420564656]
  本研究は,3つの画像復元アプリケーション(デノイング,デブロアリング,シングルイメージ超解像)に対するアプローチを検証した。 その結果、ニューラルネットワークは、表示色空間で表現されるHDRおよびRAW画像において、かなりよく訓練されていることが示唆された。 トレーニング戦略へのこの小さな変更は、最大10～15dBのパフォーマンスを大幅に向上させることができます。
  論文  参考訳（メタデータ） (2023-12-06T17:47:16Z)
• Beyond Learned Metadata-based Raw Image Reconstruction [86.1667769209103]
  生画像は、線形性や微細な量子化レベルなど、sRGB画像に対して明確な利点がある。 ストレージの要求が大きいため、一般ユーザからは広く採用されていない。 本稿では,メタデータとして,潜在空間におけるコンパクトな表現を学習する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-21T06:59:07Z)
• COIN: COmpression with Implicit Neural representations [64.02694714768691]
  画像圧縮のための新しい簡易手法を提案する。 画像の各ピクセルのRGB値を格納する代わりに、画像に過度に適合したニューラルネットワークの重みを格納する。
  論文  参考訳（メタデータ） (2021-03-03T10:58:39Z)
• The Utility of Decorrelating Colour Spaces in Vector Quantised Variational Autoencoders [1.7792264784100689]
  ネットワーク学習構造表現を強制するカラー空間変換を提案する。 入力が1つの色空間のイメージであり、出力が別の色空間のイメージであるVQ-VAEのいくつかの例を訓練した。
  論文  参考訳（メタデータ） (2020-09-30T07:44:01Z)
• Learning to Structure an Image with Few Colors [59.34619548026885]
  そこで,カラー量子化ネットワークであるColorCNNを提案する。 1ビットのカラースペース(すなわち2色)だけで、提案されたネットワークはCIFAR10データセット上で82.1%のトップ-1の精度を達成した。 アプリケーションの場合、PNGでエンコードされた場合、提案したカラー量子化は、極低ビットレート方式の他の画像圧縮方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-17T17:56:15Z)

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。