論文の概要: Dual Degradation-Inspired Deep Unfolding Network for Low-Light Image Enhancement

• arxiv url: http://arxiv.org/abs/2308.02776v1
• Date: Sat, 5 Aug 2023 03:07:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-08 18:50:15.586097
• Title: Dual Degradation-Inspired Deep Unfolding Network for Low-Light Image Enhancement
• Title（参考訳）: デュアル劣化による低光画像強調のためのディープアンフォールディングネットワーク
• Authors: Huake Wang, Xingsong Hou, Xiaoyang Yan
• Abstract要約: 低照度画像強調のためのDual degrAdation-inSpired Deep Unfolding Network(DASUNet)を提案する。 輝度空間と色空間の間の劣化特異性を考慮することによって、2つの異なる画像先行性を学ぶ。 ソースコードと事前訓練されたモデルは公開されます。
• 参考スコア（独自算出の注目度）: 3.4929041108486185
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although low-light image enhancement has achieved great stride based on deep enhancement models, most of them mainly stress on enhancement performance via an elaborated black-box network and rarely explore the physical significance of enhancement models. Towards this issue, we propose a Dual degrAdation-inSpired deep Unfolding network, termed DASUNet, for low-light image enhancement. Specifically, we construct a dual degradation model (DDM) to explicitly simulate the deterioration mechanism of low-light images. It learns two distinct image priors via considering degradation specificity between luminance and chrominance spaces. To make the proposed scheme tractable, we design an alternating optimization solution to solve the proposed DDM. Further, the designed solution is unfolded into a specified deep network, imitating the iteration updating rules, to form DASUNet. Local and long-range information are obtained by prior modeling module (PMM), inheriting the advantages of convolution and Transformer, to enhance the representation capability of dual degradation priors. Additionally, a space aggregation module (SAM) is presented to boost the interaction of two degradation models. Extensive experiments on multiple popular low-light image datasets validate the effectiveness of DASUNet compared to canonical state-of-the-art low-light image enhancement methods. Our source code and pretrained model will be publicly available.
• Abstract（参考訳）: 低照度画像強調は深部強調モデルに基づいて大きな進歩を遂げているが、そのほとんどは精巧なブラックボックスネットワークによる拡張性能に重点を置いており、拡張モデルの物理的意義を探求することはめったにない。 本稿では,低照度画像強調のためのDual degrAdation-InSpired Deep Unfolding Network(DASUNet)を提案する。 具体的には,低光度画像の劣化機構を明示的にシミュレートする2重劣化モデル(ddm)を構築した。 輝度空間と彩度空間の分解特異性を考慮して、2つの異なる画像先行を学習する。 提案手法をトラクタブルにするために,提案手法を改良した最適化手法を設計する。 さらに、設計されたソリューションを特定のディープネットワークに展開し、反復更新ルールを模倣してDASUNetを形成する。 局所および長距離情報は、畳み込みとトランスフォーマーの利点を継承する事前モデリングモジュール(PMM)によって得られ、二重劣化前の表現能力を向上する。 さらに、2つの劣化モデルの相互作用を促進するために、空間集約モジュール(SAM)が提示される。 複数の人気の低照度画像データセットに対する大規模な実験は、標準的な低照度画像強調法と比較してDASUNetの有効性を検証する。 ソースコードと事前訓練されたモデルは公開されます。

関連論文リスト

• Enhanced Control for Diffusion Bridge in Image Restoration [4.480905492503335]
  特殊な拡散ブリッジモデルにより、画像復元がより進んだ結果が得られた。 本稿では,低画質画像を条件として拡散ブリッジの制御性を向上させるECDBモデルを提案する。 実験結果から,多くの画像復元作業においてECDBモデルが最先端の結果を得たことが証明された。
  論文  参考訳（メタデータ） (2024-08-29T07:09:33Z)
• CodeEnhance: A Codebook-Driven Approach for Low-Light Image Enhancement [97.95330185793358]
  低照度画像強調(LLIE)は、低照度画像を改善することを目的としている。 既存の手法では、様々な明るさ劣化からの回復の不確実性と、テクスチャと色情報の喪失という2つの課題に直面している。 我々は、量子化された先行値と画像の精細化を利用して、新しいエンハンスメント手法、CodeEnhanceを提案する。
  論文  参考訳（メタデータ） (2024-04-08T07:34:39Z)
• Zero-LED: Zero-Reference Lighting Estimation Diffusion Model for Low-Light Image Enhancement [2.9873893715462185]
  ゼロLEDと呼ばれる低照度画像強調のための新しいゼロ参照光推定拡散モデルを提案する。 拡散モデルの安定収束能力を利用して、低照度領域と実常照度領域の間のギャップを埋める。 ゼロ参照学習を通じてペアのトレーニングデータへの依存を緩和する。
  論文  参考訳（メタデータ） (2024-03-05T11:39:17Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• Latent Diffusion Prior Enhanced Deep Unfolding for Snapshot Spectral Compressive Imaging [17.511583657111792]
  スナップショット分光画像再構成は、単発2次元圧縮計測から3次元空間スペクトル像を再構成することを目的としている。 我々は, 深部展開法に先立って劣化のないモデルを生成するため, 遅延拡散モデル(LDM)という生成モデルを導入する。
  論文  参考訳（メタデータ） (2023-11-24T04:55:20Z)
• 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)
• LLDiffusion: Learning Degradation Representations in Diffusion Models for Low-Light Image Enhancement [118.83316133601319]
  現在の低照度画像強調(LLIE)の深層学習法は、通常、ペア化されたデータから学んだピクセルワイドマッピングに依存している。 本稿では,拡散モデルを用いたLLIEの劣化認識学習手法を提案する。
  論文  参考訳（メタデータ） (2023-07-27T07:22:51Z)
• PUGAN: Physical Model-Guided Underwater Image Enhancement Using GAN with Dual-Discriminators [120.06891448820447]
  鮮明で視覚的に快適な画像を得る方法は、人々の共通の関心事となっている。 水中画像強調(UIE)の課題も、時間とともに現れた。 本稿では,UIE のための物理モデル誘導型 GAN モデルを提案する。 我々のPUGANは質的および定量的な測定値において最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-06-15T07:41:12Z)
• 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)

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。