論文の概要: Brighten-and-Colorize: A Decoupled Network for Customized Low-Light Image Enhancement

• arxiv url: http://arxiv.org/abs/2308.03029v1
• Date: Sun, 6 Aug 2023 06:04:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-08 17:10:34.531971
• Title: Brighten-and-Colorize: A Decoupled Network for Customized Low-Light Image Enhancement
• Title（参考訳）: brighten-and-colorize:低光度画像強調のためのデカップリングネットワーク
• Authors: Chenxi Wang, Zhi Jin
• Abstract要約: 低照度画像強調(LLIE)は、低照度で撮影された画像の知覚品質を改善することを目的としている。 この領域の最近の進歩は、主に色覚の役割を無視しながら、明るさの洗練に焦点を当てている。 本研究では、上記の問題に対処するために、BCGネットワーク(BCGNet)を提案する。
• 参考スコア（独自算出の注目度）: 22.097267755811192
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-Light Image Enhancement (LLIE) aims to improve the perceptual quality of an image captured in low-light conditions. Generally, a low-light image can be divided into lightness and chrominance components. Recent advances in this area mainly focus on the refinement of the lightness, while ignoring the role of chrominance. It easily leads to chromatic aberration and, to some extent, limits the diverse applications of chrominance in customized LLIE. In this work, a ``brighten-and-colorize'' network (called BCNet), which introduces image colorization to LLIE, is proposed to address the above issues. BCNet can accomplish LLIE with accurate color and simultaneously enables customized enhancement with varying saturations and color styles based on user preferences. Specifically, BCNet regards LLIE as a multi-task learning problem: brightening and colorization. The brightening sub-task aligns with other conventional LLIE methods to get a well-lit lightness. The colorization sub-task is accomplished by regarding the chrominance of the low-light image as color guidance like the user-guide image colorization. Upon completion of model training, the color guidance (i.e., input low-light chrominance) can be simply manipulated by users to acquire customized results. This customized process is optional and, due to its decoupled nature, does not compromise the structural and detailed information of lightness. Extensive experiments on the commonly used LLIE datasets show that the proposed method achieves both State-Of-The-Art (SOTA) performance and user-friendly customization.
• Abstract（参考訳）: low-light image enhancement (llie) は、低光度で撮影された画像の知覚的品質を改善することを目的としている。 一般的に、低照度画像を光度成分と彩色成分に分けることができる。 この領域の最近の進歩は、主に色覚の役割を無視しながら、明るさの洗練に焦点を当てている。 これは容易に色収差をもたらし、ある程度はカスタマイズされたllieにおける多彩な色差の応用を制限する。 本稿では,llieに画像カラー化を導入する 'brighten-and-colorize' ネットワーク (bcnet) を提案する。 bcnetは正確な色でllieを実現できると同時に、ユーザの好みに応じて彩度や色のスタイルをカスタマイズできる。 特にbcnetでは、llieをマルチタスク学習問題として、鮮やかさと色付けを挙げている。 明るいサブタスクは、他の従来のLLIEメソッドと一致して、明るい光度を得る。 カラー化サブタスクは、ユーザガイド画像のカラー化のようなカラーガイダンスとして、低光画像の彩色について行う。 モデルトレーニングが完了すると、色指導(入力低光度クロミナンス)は、ユーザーがカスタマイズした結果を得るために単純に操作できる。 このカスタマイズされたプロセスはオプションであり、分離された性質のため、光度の構造と詳細な情報を損なわない。 LLIEデータセットの大規模な実験により,提案手法はステートオフ・ザ・アート(SOTA)性能とユーザフレンドリなカスタマイズの両方を達成することが示された。

関連論文リスト

• 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)
• You Only Need One Color Space: An Efficient Network for Low-light Image Enhancement [50.37253008333166]
  低照度画像強調(LLIE)タスクは、劣化した低照度画像から詳細と視覚情報を復元する傾向がある。 水平/垂直インテンシティ(HVI)と呼ばれる新しいトレーニング可能なカラー空間を提案する。 輝度と色をRGBチャネルから切り離して、拡張中の不安定性を緩和するだけでなく、トレーニング可能なパラメータによって異なる照明範囲の低照度画像にも適応する。
  論文  参考訳（メタデータ） (2024-02-08T16:47:43Z)
• Division Gets Better: Learning Brightness-Aware and Detail-Sensitive Representations for Low-Light Image Enhancement [10.899693396348171]
  LCDBNetは、輝度調整ネットワーク(LAN)と色復元ネットワーク(CRN)の2つのブランチで構成されている。 LANは、長距離依存と局所的な注意相関を利用した輝度認識機能を学ぶ責任を負う。 CRNはマルチレベルウェーブレット分解によるディテールセンシティブな特徴の学習に重点を置いている。 最後に、融合ネットワークは、学習した特徴をブレンドして視覚的に印象的な画像を生成するように設計されている。
  論文  参考訳（メタデータ） (2023-07-18T09:52:48Z)
• Learning Semantic-Aware Knowledge Guidance for Low-Light Image Enhancement [69.47143451986067]
  低照度画像強調法 (LLIE) は、照明の改善方法と正常照度画像の生成方法を検討する。 既存の手法の大部分は、異なる領域のセマンティック情報を考慮せずに、グローバルかつ均一な方法で低照度画像を改善する。 セマンティックセグメンテーションモデルにカプセル化される多種多様な事前学習において、低照度強化モデルを支援する新しいセマンティック・アウェア・ナレッジ誘導フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-14T10:22:28Z)
• Seeing Through The Noisy Dark: Toward Real-world Low-Light Image Enhancement and Denoising [125.56062454927755]
  現実の低照度環境は通常、光やハードウェアの限界が不足しているため、視界が低く、騒音が重い。 我々は、RLED-Net(Real-world Low-light Enhancement & Denoising Network)と呼ばれる新しいエンドツーエンド手法を提案する。
  論文  参考訳（メタデータ） (2022-10-02T14:57:23Z)
• Enhancement by Your Aesthetic: An Intelligible Unsupervised Personalized Enhancer for Low-Light Images [67.14410374622699]
  低照度画像のための知能的教師なしパーソナライズ・エンハンサー(iUPEnhancer)を提案する。 提案したiUP-Enhancerは、これらの相関関係とそれに対応する教師なし損失関数のガイダンスを用いて訓練される。 実験により,提案アルゴリズムは競合的な質的,定量的な結果が得られることを示した。
  論文  参考訳（メタデータ） (2022-07-15T07:16:10Z)
• Low-light Image Enhancement via Breaking Down the Darkness [8.707025631892202]
  本稿では,分割・ルール原理に触発された新しい枠組みを提案する。 本稿では,RGB空間から輝度クロミナンス画像に変換することを提案する。 調整可能なノイズ抑制ネットワークは、輝度が明るくなるときにノイズを取り除くように設計されている。 強化された輝度はさらに、色マッパーが現実的な色を生成するためのガイダンスとなる。
  論文  参考訳（メタデータ） (2021-11-30T16:50:59Z)
• 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)
• Shed Various Lights on a Low-Light Image: Multi-Level Enhancement Guided by Arbitrary References [17.59529931863947]
  本稿では,マルチレベル低光度画像強調のためのニューラルネットワークを提案する。 スタイル転送にインスパイアされたこの手法は,潜在空間内の2つの低結合機能コンポーネントにイメージを分解する。 このようにして、ネットワークは一連の画像対からシーン不変および明るさ固有情報を抽出することを学ぶ。
  論文  参考訳（メタデータ） (2021-01-04T07:38:51Z)

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。