論文の概要: Efficient HDR Reconstruction From Real-World Raw Images
- arxiv url: http://arxiv.org/abs/2306.10311v3
- Date: Mon, 4 Sep 2023 16:36:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-07 04:34:29.206206
- Title: Efficient HDR Reconstruction From Real-World Raw Images
- Title(参考訳): 実世界の生画像からの効率的なHDR再構成
- Authors: Qirui Yang, Yihao Liu, Qihua Chen and Jingyu Yang
- Abstract要約: 高ダイナミックレンジ()イメージングは、ジェネリックイメージセンサのダイナミックレンジが限られているため、重大な問題であるが、難しい問題である。
既存の学習ベースのHDR再構成手法の多くは、ダイナミックレンジを拡張するために、ブラケット付き露光sRGB画像のセットを用いる。
本研究では、生画像から直接HDRを再構成する優れた機会を発見し、モバイルデバイスの展開に寄与する新しいニューラルネットワーク構造を探索する。
- 参考スコア(独自算出の注目度): 9.278560676845181
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High dynamic range (HDR) imaging is a significant yet challenging problem due
to the limited dynamic range of generic image sensors. Most existing
learning-based HDR reconstruction methods take a set of bracketed exposure sRGB
images to extend the dynamic range. However, they overlook the computational
and memory inefficiencies of Image Signal Processors (ISPs) when processing a
set of sRGB images with different exposures. Furthermore, the absence of
large-scale raw-based HDR datasets limits the research on HDR imaging. In this
work, in a new aspect, we discover an excellent opportunity for HDR
reconstructing directly from raw images and investigating novel neural network
structures that benefit the deployment of mobile devices. Meanwhile, we
construct a new HDR dataset containing raw images and process to obtain sRGB
images and design a new model to reconstruct HDR utilizing the unique
characteristics of long- and short-exposure images. Our key insights are
threefold: (1) a new computational raw LDR-HDR pair formation pipeline is
designed to construct a real-world raw HDR dataset called RealRaw-HDR; (2) a
lightweight-efficient HDR model, RepUNet, is developed using the structural
reparameterization technique; (3) a plug-and-play alignment-free and
motion-aware short-exposure-first selection loss and a colorfulness loss are
proposed to mitigate ghost artifacts and color cast. Extensive experiment
results demonstrate that our approach achieves state-of-the-art performance in
both visual quality and quantitative metrics.
- Abstract(参考訳): 高ダイナミックレンジ(HDR)イメージングは、一般的な画像センサのダイナミックレンジが限られているため、重大な課題である。
既存の学習ベースのHDR再構成手法の多くは、ダイナミックレンジを拡張するために、ブラケット付き露光sRGB画像のセットを用いる。
しかし、異なる露光で一組のsRGB画像を処理する際に、ISP(Image Signal Processors)の計算とメモリの非効率性を見落としている。
さらに、大規模な生のHDRデータセットがないため、HDRイメージングの研究は制限される。
本研究は,新たな側面から,生画像から直接HDRを再構築する優れた機会を発見し,モバイルデバイスの展開に寄与する新しいニューラルネットワーク構造を探索する。
一方,srgb画像を得るための生画像とプロセスを含む新しいhdrデータセットを構築し,長短露光画像のユニークな特徴を利用したhdr再構成モデルを構築した。
1)新しい計算用LDR-HDRペア生成パイプラインはRealRaw-HDRと呼ばれる実世界の生HDRデータセットを構築するために設計され、(2)軽量なHDRモデルRepUNetは構造的パラメータ化技術を用いて開発され、(3)プラグアンドプレイアライメントフリーかつモーションアライメント対応のショート露光ファースト選択損失とカラフルネスの損失がゴーストアーティファクトやカラーキャストを緩和するために提案されている。
広汎な実験結果から,本手法は視覚的品質と定量的指標の両面で最先端の性能を達成することが示された。
関連論文リスト
- Generating Content for HDR Deghosting from Frequency View [56.103761824603644]
近年の拡散モデル (DM) はHDRイメージング分野に導入されている。
DMは画像全体を推定するために大きなモデルで広範囲の反復を必要とする。
ゴーストフリーHDRイメージングのための低周波数対応拡散(LF-Diff)モデルを提案する。
論文 参考訳(メタデータ) (2024-04-01T01:32:11Z) - HistoHDR-Net: Histogram Equalization for Single LDR to HDR Image
Translation [12.45632443397018]
高ダイナミックレンジ(HDR)イメージングは、現実世界のシーンの高画質と明快さを再現することを目的としている。
この文献は、低ダイナミックレンジ(Low Dynamic Range, LDR)からのHDR画像再構成のための様々なデータ駆動手法を提供している。
これらのアプローチの共通する制限は、再構成されたHDR画像の領域における詳細が欠けていることである。
細部を復元するためのシンプルで効果的な手法Histo-Netを提案する。
論文 参考訳(メタデータ) (2024-02-08T20:14:46Z) - Towards High-quality HDR Deghosting with Conditional Diffusion Models [88.83729417524823]
高ダイナミックレンジ(LDR)画像は、既存のディープニューラルネットワーク(DNN)技術により、複数の低ダイナミックレンジ(LDR)画像から復元することができる。
DNNは、LDR画像が飽和度と大きな動きを持つ場合、ゴーストアーティファクトを生成する。
拡散モデルの条件としてLDR特徴を利用する画像生成としてHDRデゴースト問題を定式化する。
論文 参考訳(メタデータ) (2023-11-02T01:53:55Z) - GlowGAN: Unsupervised Learning of HDR Images from LDR Images in the Wild [74.52723408793648]
そこで本研究では,HDR画像の生成モデルを構築するための第1の手法について述べる。
鍵となる考え方は、GAN(Generative Adversarial Network)を訓練して、様々な露光下でLDRに投影された場合、実際のLDR画像と区別できないHDR画像を生成することである。
実験の結果,GlowGANはランドスケープ,雷,窓など多くの難題において,光現実的HDR画像を合成できることがわかった。
論文 参考訳(メタデータ) (2022-11-22T15:42:08Z) - FlexHDR: Modelling Alignment and Exposure Uncertainties for Flexible HDR
Imaging [0.9185931275245008]
高品質なHDR結果を生成するためにアライメントと露出の不確かさをモデル化する新しいHDRイメージング技術を提案する。
本研究では,HDRを意識した不確実性を考慮したアライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・
実験結果から,本手法は最先端の高画質HDR画像を最大0.8dBPSNRで生成できることがわかった。
論文 参考訳(メタデータ) (2022-01-07T14:27:17Z) - HDR-NeRF: High Dynamic Range Neural Radiance Fields [70.80920996881113]
我々は、低ダイナミックレンジ(LDR)ビューの集合からHDR放射界を異なる露光で復元するために、高ダイナミックレンジニューラルレイディアンス場(-NeRF)を提案する。
異なる露出下で、新しいHDRビューと新しいLDRビューの両方を生成することができる。
論文 参考訳(メタデータ) (2021-11-29T11:06:39Z) - A Two-stage Deep Network for High Dynamic Range Image Reconstruction [0.883717274344425]
本研究では,新しい2段階深層ネットワークを提案することにより,シングルショットLDRからHDRマッピングへの課題に取り組む。
提案手法は,カメラ応答機能(CRF)や露光設定など,ハードウェア情報を知ることなくHDR画像の再構築を図ることを目的とする。
論文 参考訳(メタデータ) (2021-04-19T15:19:17Z) - Deep Snapshot HDR Imaging Using Multi-Exposure Color Filter Array [14.5106375775521]
本稿では,有効損失と入力データの正規化を同時に実現する輝度正規化の考え方を紹介する。
2つの公開HDR画像データセットを用いた実験結果から,我々のフレームワークが他のスナップショット手法より優れていることが示された。
論文 参考訳(メタデータ) (2020-11-20T06:31:37Z) - HDR-GAN: HDR Image Reconstruction from Multi-Exposed LDR Images with
Large Motions [62.44802076971331]
マルチ露光LDR画像からHDR画像を合成するための新しいGANモデルHDR-GANを提案する。
本手法は,敵対学習を取り入れることで,欠落したコンテンツのある領域に忠実な情報を生成することができる。
論文 参考訳(メタデータ) (2020-07-03T11:42:35Z) - Single-Image HDR Reconstruction by Learning to Reverse the Camera
Pipeline [100.5353614588565]
本稿では,LDR画像形成パイプラインの領域知識をモデルに組み込むことを提案する。
我々は,HDRto-LDR画像形成パイプラインを(1)ダイナミックレンジクリッピング,(2)カメラ応答関数からの非線形マッピング,(3)量子化としてモデル化する。
提案手法は,最先端の単一画像HDR再構成アルゴリズムに対して良好に動作することを示す。
論文 参考訳(メタデータ) (2020-04-02T17:59:04Z)
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。