論文の概要: Unsupervised network for low-light enhancement
- arxiv url: http://arxiv.org/abs/2306.02883v1
- Date: Mon, 5 Jun 2023 13:52:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-06 14:55:21.441211
- Title: Unsupervised network for low-light enhancement
- Title（参考訳）: 低照度化のための教師なしネットワーク
- Authors: Praveen Kandula, Maitreya Suin, and A. N. Rajagopalan
- Abstract要約: 監視ネットワークは、ペア画像を用いた低照度化の課題に対処する。
文脈誘導照明適応規範(CIN)を用いた教師なし低照度化ネットワークを提案する。
また、低照度画像から複数の強調画像を生成することができる領域適応型単一入力多重出力(SIMO)モデルを提案する。
- 参考スコア（独自算出の注目度）: 27.052207978537098
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Supervised networks address the task of low-light enhancement using paired
images. However, collecting a wide variety of low-light/clean paired images is
tedious as the scene needs to remain static during imaging. In this paper, we
propose an unsupervised low-light enhancement network using contextguided
illumination-adaptive norm (CIN). Inspired by coarse to fine methods, we
propose to address this task in two stages. In stage-I, a pixel amplifier
module (PAM) is used to generate a coarse estimate with an overall improvement
in visibility and aesthetic quality. Stage-II further enhances the saturated
dark pixels and scene properties of the image using CIN. Different ablation
studies show the importance of PAM and CIN in improving the visible quality of
the image. Next, we propose a region-adaptive single input multiple output
(SIMO) model that can generate multiple enhanced images from a single lowlight
image. The objective of SIMO is to let users choose the image of their liking
from a pool of enhanced images. Human subjective analysis of SIMO results shows
that the distribution of preferred images varies, endorsing the importance of
SIMO-type models. Lastly, we propose a low-light road scene (LLRS) dataset
having an unpaired collection of low-light and clean scenes. Unlike existing
datasets, the clean and low-light scenes in LLRS are real and captured using
fixed camera settings. Exhaustive comparisons on publicly available datasets,
and the proposed dataset reveal that the results of our model outperform prior
art quantitatively and qualitatively.
- Abstract（参考訳）: 監視ネットワークは、ペア画像を用いた低照度化の課題に対処する。
しかし、シーンが静止している必要があるため、様々な低照度/クリーンなペア画像の収集は面倒である。
本稿では,コンテキスト誘導照明適応ノルム(cin)を用いた教師なし低光度ネットワークを提案する。
そこで本研究では,この課題を2段階に分けて解決することを提案する。
ステージIでは、ピクセル増幅モジュール(PAM)を使用して、視認性と美的品質の全体的な改善を伴う粗い推定値を生成する。
ステージIIは、CINを用いた画像の飽和暗いピクセルとシーン特性をさらに強化する。
異なるアブレーション研究は、画像の可視性を改善するためにPAMとCINが重要であることを示している。
次に,低照度画像から複数の強調画像を生成することができる領域適応型単一入力多重出力(SIMO)モデルを提案する。
SIMOの目的は、拡張された画像のプールからユーザーが好きな画像を選択することである。
ヒトによるSIMO結果の主観的分析は、SIMO型モデルの重要性を裏付ける、好ましい画像の分布が異なることを示している。
最後に,低照度かつクリーンなシーンの集合体を有する低照度道路シーン(llrs)データセットを提案する。
既存のデータセットとは異なり、LLRSのクリーンで低照度なシーンはリアルで、固定カメラ設定を使用してキャプチャされる。
公開データセットの探索的比較と提案データセットは,我々のモデルの結果が先行技術よりも定量的に,質的に優れていることを示した。
関連論文リスト
- SAMPLING: Scene-adaptive Hierarchical Multiplane Images Representation
for Novel View Synthesis from a Single Image [60.52991173059486]
単一画像からの新規ビュー合成のためのシーン適応型階層型多面体画像表現であるSAMPlingを紹介する。
提案手法は,KITTIデータセット上の単一画像を用いて,大規模非有界屋外シーンにおいてかなりの性能向上を示す。
論文 参考訳（メタデータ） (2023-09-12T15:33:09Z) - 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) - Visibility Enhancement for Low-light Hazy Scenarios [18.605784907840473]
夕暮れや早朝には、低照度なシーンがよく現れる。
低照度ハジーシナリオの可視性を高める新しい手法を提案する。
このフレームワークは、異なるサブタスクからのヒントを完全に活用することで、入力画像の可視性を高めるように設計されている。
このシミュレーションは, 提案した低照度ハジーイメージングモデルを用いて, 地上構造でデータセットを生成するために設計されている。
論文 参考訳（メタデータ） (2023-08-01T15:07:38Z) - 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) - Unsupervised Low Light Image Enhancement Using SNR-Aware Swin
Transformer [0.0]
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。
論文 参考訳（メタデータ） (2023-06-03T11:07:56Z) - Ultra-High-Definition Low-Light Image Enhancement: A Benchmark and
Transformer-Based Method [51.30748775681917]
低照度画像強調(LLIE)の課題を考察し,4K解像度と8K解像度の画像からなる大規模データベースを導入する。
我々は、系統的なベンチマーク研究を行い、現在のLLIEアルゴリズムと比較する。
第2のコントリビューションとして,変換器をベースとした低照度化手法であるLLFormerを紹介する。
論文 参考訳（メタデータ） (2022-12-22T09:05:07Z) - 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) - Semantic-Guided Zero-Shot Learning for Low-Light Image/Video Enhancement [3.4722706398428493]
低照度画像は人間の知覚とコンピュータビジョンのアルゴリズムの両方に挑戦する。
計算写真やコンピュータビジョンアプリケーションのための低照度画像の啓蒙にアルゴリズムを堅牢にすることが不可欠である。
本稿では,ペア画像の欠如により訓練されたセマンティック誘導ゼロショット低照度拡張ネットワークを提案する。
論文 参考訳（メタデータ） (2021-10-03T10:07:36Z) - 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。