論文の概要: Unsupervised Low Light Image Enhancement Using SNR-Aware Swin
Transformer
- arxiv url: http://arxiv.org/abs/2306.02082v1
- Date: Sat, 3 Jun 2023 11:07:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-06 20:13:45.851070
- Title: Unsupervised Low Light Image Enhancement Using SNR-Aware Swin
Transformer
- Title（参考訳）: SNR対応スウィントランスを用いた教師なし低光画像強調
- Authors: Zhijian Luo, Jiahui Tang, Yueen Hou, Zihan Huang and Yanzeng Gao
- Abstract要約: 低照度画像強調は、明るさとコントラストを改善し、視覚的品質を損なうノイズを減らすことを目的としている。
本稿では,Swin Transformerをベースとしたデュアルブランチネットワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Image captured under low-light conditions presents unpleasing artifacts,
which debilitate the performance of feature extraction for many upstream visual
tasks. Low-light image enhancement aims at improving brightness and contrast,
and further reducing noise that corrupts the visual quality. Recently, many
image restoration methods based on Swin Transformer have been proposed and
achieve impressive performance. However, On one hand, trivially employing Swin
Transformer for low-light image enhancement would expose some artifacts,
including over-exposure, brightness imbalance and noise corruption, etc. On the
other hand, it is impractical to capture image pairs of low-light images and
corresponding ground-truth, i.e. well-exposed image in same visual scene. In
this paper, we propose a dual-branch network based on Swin Transformer, guided
by a signal-to-noise ratio prior map which provides the spatial-varying
information for low-light image enhancement. Moreover, we leverage unsupervised
learning to construct the optimization objective based on Retinex model, to
guide the training of proposed network. Experimental results demonstrate that
the proposed model is competitive with the baseline models.
- Abstract（参考訳）: 低照度条件下でキャプチャされた画像は、不快なアーティファクトを示し、多くの上流のビジュアルタスクで機能抽出のパフォーマンスを損なう。
低光度画像強調は、明るさとコントラストを改善し、さらに視覚品質を損なうノイズを減らすことを目的としている。
近年,スウィントランスを用いた画像復元手法が多数提案され,性能が向上している。
しかし、低光度画像強調に自明にスウィントランスを用いると、露光過度、明るさの不均衡、ノイズ破損など、いくつかのアーティファクトが露呈する。
一方、低照度画像と対応する地中画像の対を同一の視覚シーンで撮影することは現実的ではない。
本稿では,低照度画像強調のための空間変化情報を提供する信号対雑音比事前マップによって導かれるSwin Transformerに基づくデュアルブランチネットワークを提案する。
さらに,教師なし学習を用いてretinexモデルに基づく最適化目標を構築し,提案ネットワークのトレーニングを指導する。
実験により,提案モデルがベースラインモデルと競合することを示す。
関連論文リスト
- Improving Lens Flare Removal with General Purpose Pipeline and Multiple
Light Sources Recovery [69.71080926778413]
フレアアーティファクトは、画像の視覚的品質と下流のコンピュータビジョンタスクに影響を与える。
現在の方法では、画像信号処理パイプラインにおける自動露光やトーンマッピングは考慮されていない。
本稿では、ISPを再検討し、より信頼性の高い光源回収戦略を設計することで、レンズフレア除去性能を向上させるソリューションを提案する。
論文 参考訳（メタデータ） (2023-08-31T04:58:17Z) - Cycle-Interactive Generative Adversarial Network for Robust Unsupervised
Low-Light Enhancement [109.335317310485]
CIGAN(Cycle-Interactive Generative Adversarial Network)は、低照度画像間の照明分布の転送を改善できるだけでなく、詳細な信号も操作できる。
特に、提案した低照度誘導変換は、低照度GAN生成器から劣化GAN生成器へ、低照度画像の特徴をフォワードする。
論文 参考訳（メタデータ） (2022-07-03T06:37:46Z) - 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) - 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) - Learning an Adaptive Model for Extreme Low-light Raw Image Processing [5.706764509663774]
画質向上のための適応型低照度生画像強調ネットワークを提案する。
提案手法は、最先端の低照度アルゴリズムと比較してノイズレベル推定(NLE)のスコアが低い。
ビデオ処理における潜在的な応用について概説する。
論文 参考訳（メタデータ） (2020-04-22T09:01:07Z)
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。