論文の概要: Diff-Retinex: Rethinking Low-light Image Enhancement with A Generative Diffusion Model

• arxiv url: http://arxiv.org/abs/2308.13164v1
• Date: Fri, 25 Aug 2023 04:03:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-28 15:09:46.943464
• Title: Diff-Retinex: Rethinking Low-light Image Enhancement with A Generative Diffusion Model
• Title（参考訳）: Diff-Retinex: 生成拡散モデルによる低照度画像強調の再考
• Authors: Xunpeng Yi, Han Xu, Hao Zhang, Linfeng Tang, Jiayi Ma
• Abstract要約: Diff-Retinexと呼ばれる低照度画像強調のための物理的に説明可能な生成拡散モデルを提案する。 In the Retinex decomposition, we integrated the superiority of attention in Transformer to decompose the image into illumination and reflectance map。 そこで我々は,正規光レチネックス確率分布を再構成する多経路生成拡散ネットワークを設計し,各成分の様々な劣化を解消する。
• 参考スコア（独自算出の注目度）: 28.762205397922294
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we rethink the low-light image enhancement task and propose a physically explainable and generative diffusion model for low-light image enhancement, termed as Diff-Retinex. We aim to integrate the advantages of the physical model and the generative network. Furthermore, we hope to supplement and even deduce the information missing in the low-light image through the generative network. Therefore, Diff-Retinex formulates the low-light image enhancement problem into Retinex decomposition and conditional image generation. In the Retinex decomposition, we integrate the superiority of attention in Transformer and meticulously design a Retinex Transformer decomposition network (TDN) to decompose the image into illumination and reflectance maps. Then, we design multi-path generative diffusion networks to reconstruct the normal-light Retinex probability distribution and solve the various degradations in these components respectively, including dark illumination, noise, color deviation, loss of scene contents, etc. Owing to generative diffusion model, Diff-Retinex puts the restoration of low-light subtle detail into practice. Extensive experiments conducted on real-world low-light datasets qualitatively and quantitatively demonstrate the effectiveness, superiority, and generalization of the proposed method.
• Abstract（参考訳）: 本稿では、低照度画像強調タスクを再考し、Diff-Retinexと呼ばれる低照度画像強調のための物理的に説明可能な生成拡散モデルを提案する。 我々は物理モデルと生成ネットワークの利点を統合することを目指している。 さらに,低光度画像に欠落している情報を生成ネットワークを通じて補うことも期待する。 そのため、Diff-Retinexは低照度画像強調問題をRetinex分解と条件付き画像生成に定式化する。 Retinex 分解では、Transformer における注目の優位性を統合し、Retinex Transformer 分解ネットワーク (TDN) を巧みに設計し、画像を照明と反射マップに分解する。 そこで,本研究では,暗色照明,ノイズ,色差,シーン内容の喪失など,通常の光レチネックス確率分布を再構成する多経路生成拡散ネットワークを設計し,各成分の劣化を解消する。 生成拡散モデルにより、ディフ・レチネックスは低光度の詳細の復元を実践する。 実世界の低照度データセットを定性的かつ定量的に実験し,提案手法の有効性,優越性,一般化を実証した。

関連論文リスト

• LightenDiffusion: Unsupervised Low-Light Image Enhancement with Latent-Retinex Diffusion Models [39.28266945709169]
  物理的に説明可能なRetinex理論を低照度画像強調のための拡散モデルに組み込んだ拡散に基づく教師なしフレームワークを提案する。 公開されている実世界のベンチマークの実験では、提案されたLightenDiffusionは最先端の非監督的な競合より優れていることが示されている。
  論文  参考訳（メタデータ） (2024-07-12T02:54:43Z)
• DI-Retinex: Digital-Imaging Retinex Theory for Low-Light Image Enhancement [73.57965762285075]
  本稿では,デジタル画像におけるRetinex理論の理論的および実験的解析を通じて,Digital-Imaging Retinex theory(DI-Retinex)という新しい表現を提案する。 提案手法は, 視覚的品質, モデルサイズ, 速度の観点から, 既存の教師なし手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-04-04T09:53:00Z)
• Reti-Diff: Illumination Degradation Image Restoration with Retinex-based Latent Diffusion Model [59.08821399652483]
  照明劣化画像復元(IDIR)技術は、劣化した画像の視認性を改善し、劣化した照明の悪影響を軽減することを目的としている。 これらのアルゴリズムのうち、拡散モデル(DM)に基づく手法は期待できる性能を示しているが、画像レベルの分布を予測する際に、重い計算要求や画素の不一致の問題に悩まされることが多い。 我々は、コンパクトな潜在空間内でDMを活用して、簡潔な指導先を生成することを提案し、IDIRタスクのためのReti-Diffと呼ばれる新しいソリューションを提案する。 Reti-Diff は Retinex-based Latent DM (RLDM) と Retinex-Guided Transformer (RG) の2つの鍵成分からなる。
  論文  参考訳（メタデータ） (2023-11-20T09:55:06Z)
• 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)
• Unsupervised Low Light Image Enhancement Using SNR-Aware Swin Transformer [0.0]
  低照度画像強調は、明るさとコントラストを改善し、視覚的品質を損なうノイズを減らすことを目的としている。 本稿では,Swin Transformerをベースとしたデュアルブランチネットワークを提案する。
  論文  参考訳（メタデータ） (2023-06-03T11:07:56Z)
• Retinexformer: One-stage Retinex-based Transformer for Low-light Image Enhancement [96.09255345336639]
  低照度画像の高精細化のために,原理化された1段Retinex-based Framework (ORF) を定式化する。 ORFはまず照明情報を推定し、低照度画像を照らす。 我々のアルゴリズムであるRetinexformerは13のベンチマークで最先端の手法を大幅に上回っている。
  論文  参考訳（メタデータ） (2023-03-12T16:54:08Z)
• Invertible Rescaling Network and Its Extensions [118.72015270085535]
  本研究では,新たな視点から双方向の劣化と復元をモデル化する,新しい可逆的枠組みを提案する。 我々は、有効な劣化画像を生成し、失われたコンテンツの分布を変換する可逆モデルを開発する。 そして、ランダムに描画された潜在変数とともに、生成された劣化画像に逆変換を適用することにより、復元可能とする。
  論文  参考訳（メタデータ） (2022-10-09T06:58:58Z)
• 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)
• DA-DRN: Degradation-Aware Deep Retinex Network for Low-Light Image Enhancement [14.75902042351609]
  低照度画像強調のための劣化対応深部網膜ネットワーク(DA-DRN)を提案する。 Retinex Theoryに基づいて、我々のモデルにおける分解ネットは、低照度画像を反射率と照明マップに分解することができる。 提案手法は, 良好なルバスト性および一般化によって有望な効果を発揮することを示すため, 広範囲な実験を行った。
  論文  参考訳（メタデータ） (2021-10-05T03:53:52Z)

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。