論文の概要: High Dynamic Range Image Reconstruction via Deep Explicit Polynomial Curve Estimation

• arxiv url: http://arxiv.org/abs/2307.16426v1
• Date: Mon, 31 Jul 2023 06:21:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-01 15:38:54.541885
• Title: High Dynamic Range Image Reconstruction via Deep Explicit Polynomial Curve Estimation
• Title（参考訳）: 深部明示多項式曲線推定による高ダイナミックレンジ画像再構成
• Authors: Jiaqi Tang, Xiaogang Xu, Sixing Hu and Ying-Cong Chen
• Abstract要約: 高ダイナミックレンジ (High Dynamic Range) は、現実世界のシーンをよりよく表現するために、ダイナミックレンジを復元するために提案されている。 物理画像パラメータが異なるため、画像と実放射のトーンマッピング機能は極めて多様である。 1つのネットワークにおけるトーンマッピング関数とその対応するHDR画像を明示的に推定する手法を提案する。
• 参考スコア（独自算出の注目度）: 18.791064275404864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to limited camera capacities, digital images usually have a narrower dynamic illumination range than real-world scene radiance. To resolve this problem, High Dynamic Range (HDR) reconstruction is proposed to recover the dynamic range to better represent real-world scenes. However, due to different physical imaging parameters, the tone-mapping functions between images and real radiance are highly diverse, which makes HDR reconstruction extremely challenging. Existing solutions can not explicitly clarify a corresponding relationship between the tone-mapping function and the generated HDR image, but this relationship is vital when guiding the reconstruction of HDR images. To address this problem, we propose a method to explicitly estimate the tone mapping function and its corresponding HDR image in one network. Firstly, based on the characteristics of the tone mapping function, we construct a model by a polynomial to describe the trend of the tone curve. To fit this curve, we use a learnable network to estimate the coefficients of the polynomial. This curve will be automatically adjusted according to the tone space of the Low Dynamic Range (LDR) image, and reconstruct the real HDR image. Besides, since all current datasets do not provide the corresponding relationship between the tone mapping function and the LDR image, we construct a new dataset with both synthetic and real images. Extensive experiments show that our method generalizes well under different tone-mapping functions and achieves SOTA performance.
• Abstract（参考訳）: カメラの容量が限られているため、デジタル画像は通常、現実世界のシーンラディアンスよりも狭いダイナミック照明範囲を持つ。 この問題を解決するために,現実のシーンをよりよく表現するために,ハイダイナミックレンジ(HDR)再構成を提案する。 しかし,物理画像パラメータの違いから,画像間のトーンマッピング機能や実放射能は多様であり,hdrの再構成は困難である。 既存の解は、トーンマッピング関数と生成したHDR画像との対応関係を明確にすることができないが、HDR画像の再構成を導く際には、この関係が不可欠である。 この問題に対処するために,1つのネットワークにおけるトーンマッピング関数とその対応するHDR画像を明示的に推定する手法を提案する。 まず, トーンマッピング関数の特性に基づいて, 多項式によるモデルを構築し, トーン曲線の傾向を記述する。 この曲線を適合させるために、学習可能なネットワークを用いて多項式の係数を推定する。 この曲線は低ダイナミックレンジ(LDR)画像のトーン空間に応じて自動的に調整され、実際のHDR画像を再構成する。 さらに、現在の全てのデータセットは、トーンマッピング関数とLDR画像の対応関係を提供していないため、合成画像と実画像の両方で新しいデータセットを構築する。 広範な実験により,提案手法は異なる音素マッピング機能の下でよく一般化し, sota性能を実現することが示された。

関連論文リスト

• Intrinsic Single-Image HDR Reconstruction [0.6554326244334868]
  そこで本研究では,本質的な領域におけるHDR再構成問題の物理的に着想を得たリモデリングを提案する。 課題を2つの単純なサブタスクに分割することで,多種多様な写真の性能向上が期待できる。
  論文  参考訳（メタデータ） (2024-09-20T17:56:51Z)
• 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)
• Pano-NeRF: Synthesizing High Dynamic Range Novel Views with Geometry from Sparse Low Dynamic Range Panoramic Images [82.1477261107279]
  そこで本研究では,Sparse LDRパノラマ画像からの照射場を用いて,忠実な幾何復元のための観測回数を増やすことを提案する。 実験により、照射場は幾何復元とHDR再構成の両方において最先端の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） (2023-12-26T08:10:22Z)
• 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)
• Self-Supervised High Dynamic Range Imaging with Multi-Exposure Images in Dynamic Scenes [58.66427721308464]
  Selfは、訓練中にダイナミックなマルチ露光画像のみを必要とする自己教師型再構成手法である。 Selfは最先端の自己管理手法に対して優れた結果を出し、教師付き手法に匹敵するパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-10-03T07:10:49Z)
• Deep Progressive Feature Aggregation Network for High Dynamic Range Imaging [24.94466716276423]
  本研究では,動的シーンにおけるHDR画像の画質向上のための高度な特徴集約ネットワークを提案する。 提案手法は,高対応特徴を暗黙的にサンプリングし,それらを粗い方法で集約してアライメントする。 実験の結果,提案手法は異なるシーン下での最先端性能を実現することができることがわかった。
  論文  参考訳（メタデータ） (2022-08-04T04:37:35Z)
• Self-supervised HDR Imaging from Motion and Exposure Cues [14.57046548797279]
  本稿では,学習可能なHDR推定のための新たな自己教師型アプローチを提案する。 実験の結果,提案手法を用いて訓練したHDRモデルは,全監督下で訓練したモデルと性能の競争力を発揮することがわかった。
  論文  参考訳（メタデータ） (2022-03-23T10:22:03Z)
• 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)
• 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。