論文の概要: Visibility Enhancement for Low-light Hazy Scenarios

• arxiv url: http://arxiv.org/abs/2308.00591v1
• Date: Tue, 1 Aug 2023 15:07:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-02 13:55:09.788933
• Title: Visibility Enhancement for Low-light Hazy Scenarios
• Title（参考訳）: 低照度ヘイザイシナリオの可視性向上
• Authors: Chaoqun Zhuang, Yunfei Liu, Sijia Wen, Feng Lu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 18.605784907840473
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Low-light hazy scenes commonly appear at dusk and early morning. The visual enhancement for low-light hazy images is an ill-posed problem. Even though numerous methods have been proposed for image dehazing and low-light enhancement respectively, simply integrating them cannot deliver pleasing results for this particular task. In this paper, we present a novel method to enhance visibility for low-light hazy scenarios. To handle this challenging task, we propose two key techniques, namely cross-consistency dehazing-enhancement framework and physically based simulation for low-light hazy dataset. Specifically, the framework is designed for enhancing visibility of the input image via fully utilizing the clues from different sub-tasks. The simulation is designed for generating the dataset with ground-truths by the proposed low-light hazy imaging model. The extensive experimental results show that the proposed method outperforms the SOTA solutions on different metrics including SSIM (9.19%) and PSNR(5.03%). In addition, we conduct a user study on real images to demonstrate the effectiveness and necessity of the proposed method by human visual perception.
• Abstract（参考訳）: 夕暮れや早朝には低照度なシーンがよく現れる。 低照度画像の視覚的強調は不適切な問題である。 画像のデハージングや低照度化には多くの方法が提案されているが, 簡単に統合すれば, このタスクに満足できる結果が得られない。 本稿では,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。 この課題に対処するために,クロスコンシステンシー・デハージング・エンハンスメント・フレームワークと,低照度ハジーデータセットの物理シミュレーションという2つの重要な手法を提案する。 具体的には、異なるサブタスクからのヒントをフル活用することで、入力画像の可視性を高めるように設計されている。 提案する低照度ヘイジーイメージングモデルにより, 地表面のデータセットを生成するように設計した。 実験の結果,提案手法はSSIM(9.19%)やPSNR(5.03%)など,様々な指標でSOTAソリューションよりも優れていた。 また,人間の視覚知覚による提案手法の有効性と必要性を実証するために,実画像のユーザ調査を行った。

関連論文リスト

• Low-Light Enhancement Effect on Classification and Detection: An Empirical Study [48.6762437869172]
  我々は,低照度画像強調法(LLIE)が高レベル視覚タスクに与える影響を評価する。 本研究は,人間の視覚知覚における画像強調と,機械解析における切り離しを示唆するものである。 この洞察は、人間と機械の視覚の両方のニーズに合致するLLIE技術の開発に不可欠である。
  論文  参考訳（メタデータ） (2024-09-22T14:21:31Z)
• Unsupervised Image Prior via Prompt Learning and CLIP Semantic Guidance for Low-Light Image Enhancement [25.97198463881292]
  本稿では,よりリッチな視覚言語CLIPを利用して,ゼロ参照低照度化手法を提案する。 提案手法はタスクベース性能に関する各種データセット間で一貫した改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-05-19T08:06:14Z)
• TensoIR: Tensorial Inverse Rendering [51.57268311847087]
  テンソルIRはテンソル分解とニューラルフィールドに基づく新しい逆レンダリング手法である。 TensoRFは、放射場モデリングのための最先端のアプローチである。
  論文  参考訳（メタデータ） (2023-04-24T21:39:13Z)
• Semi-supervised atmospheric component learning in low-light image problem [0.0]
  環境照明条件は、写真装置から画像の知覚的品質を決定する上で重要な役割を担っている。 本研究では,低照度画像復元のための非参照画像品質指標を用いた半教師付きトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-04-15T17:06:33Z)
• 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)
• Degrade is Upgrade: Learning Degradation for Low-light Image Enhancement [52.49231695707198]
  2段階の工程で細部と色を精錬しながら、内在的な劣化と低照度画像を照らし出す。 カラー画像の定式化に触発されて,まず低照度入力からの劣化を推定し,環境照明色の歪みをシミュレーションし,そのコンテンツを精錬して拡散照明色の損失を回復した。 LOL1000データセットではPSNRで0.95dB、ExDarkデータセットでは3.18%のmAPでSOTAを上回った。
  論文  参考訳（メタデータ） (2021-03-19T04:00:27Z)
• Improving Aerial Instance Segmentation in the Dark with Self-Supervised Low Light Enhancement [6.500738558466833]
  空中画像の低照度条件は、視覚ベースのアプリケーションの性能に悪影響を及ぼす。 自己監督型で低照度画像を高めることができる新しい手法を提案する。 GANを用いた新しい低照度航空データセットも提案する。
  論文  参考訳（メタデータ） (2021-02-10T12:24:40Z)
• 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。