論文の概要: Double Domain Guided Real-Time Low-Light Image Enhancement for
Ultra-High-Definition Transportation Surveillance
- arxiv url: http://arxiv.org/abs/2309.08382v1
- Date: Fri, 15 Sep 2023 13:16:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-18 14:44:42.405219
- Title: Double Domain Guided Real-Time Low-Light Image Enhancement for
Ultra-High-Definition Transportation Surveillance
- Title（参考訳）: 超高精細輸送監視のためのダブルドメイン誘導リアルタイム低光度画像強調
- Authors: Jingxiang Qu, Ryan Wen Liu, Yuan Gao, Yu Guo, Fenghua Zhu, Fei-yue
Wang
- Abstract要約: 本稿では,超高精細(UHD)交通監視のためのリアルタイム低照度画像強調ネットワーク(DDNet)を提案する。
特に、この強化処理は、提案した粗い強化モジュールとLoGに基づく勾配強化モジュールを介して、2つのサブタスク(すなわち、色強調と勾配増強)に分けられる。
我々のDDNetは最先端の手法と比較して優れた向上品質と効率を提供する。
- 参考スコア（独自算出の注目度）: 26.223557583420725
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-time transportation surveillance is an essential part of the intelligent
transportation system (ITS). However, images captured under low-light
conditions often suffer the poor visibility with types of degradation, such as
noise interference and vague edge features, etc. With the development of
imaging devices, the quality of the visual surveillance data is continually
increasing, like 2K and 4K, which has more strict requirements on the
efficiency of image processing. To satisfy the requirements on both enhancement
quality and computational speed, this paper proposes a double domain guided
real-time low-light image enhancement network (DDNet) for ultra-high-definition
(UHD) transportation surveillance. Specifically, we design an encoder-decoder
structure as the main architecture of the learning network. In particular, the
enhancement processing is divided into two subtasks (i.e., color enhancement
and gradient enhancement) via the proposed coarse enhancement module (CEM) and
LoG-based gradient enhancement module (GEM), which are embedded in the
encoder-decoder structure. It enables the network to enhance the color and edge
features simultaneously. Through the decomposition and reconstruction on both
color and gradient domains, our DDNet can restore the detailed feature
information concealed by the darkness with better visual quality and
efficiency. The evaluation experiments on standard and transportation-related
datasets demonstrate that our DDNet provides superior enhancement quality and
efficiency compared with the state-of-the-art methods. Besides, the object
detection and scene segmentation experiments indicate the practical benefits
for higher-level image analysis under low-light environments in ITS.
- Abstract（参考訳）: リアルタイム交通監視は知的輸送システム(ITS)の重要な部分である。
しかし、低照度条件下で撮影された画像は、ノイズ干渉やあいまいなエッジ特徴など、劣化のタイプで視界が悪くなることが多い。
撮像装置の開発により、2kや4kといった画像監視データの品質が継続的に向上し、画像処理の効率をより厳格に要求している。
本稿では,高精細化と計算速度の両要件を満たすため,超高精細化(ultra-high-definition, uhd)輸送監視のためのダブルドメイン誘導実時間低光画像強調ネットワーク(ddnet)を提案する。
具体的には,学習ネットワークの主要アーキテクチャとしてエンコーダ・デコーダ構造を設計する。
特に、エンコーダ・デコーダ構造に埋め込まれた粗い増色モジュール(CEM)とLoGベースの増色モジュール(GEM)を介して、増色処理を2つのサブタスク(すなわち色増色および勾配増色)に分割する。
これにより、ネットワークは色とエッジの機能を同時に強化できる。
色と勾配の両方の領域の分解と再構成により、DDNetは、暗く隠された詳細な特徴情報を視覚的品質と効率良く復元することができる。
標準および輸送関連データセットの評価実験により、DDNetは最先端の手法と比較して優れた改善品質と効率を提供することを示した。
また,被写体検出およびシーン分割実験は,低照度環境下での高レベル画像解析における実用的利点を示す。
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) - 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) - TransY-Net:Learning Fully Transformer Networks for Change Detection of
Remote Sensing Images [64.63004710817239]
リモートセンシング画像CDのためのトランスフォーマーベース学習フレームワークTransY-Netを提案する。
グローバルな視点からの特徴抽出を改善し、ピラミッド方式で多段階の視覚的特徴を組み合わせる。
提案手法は,4つの光学式および2つのSAR画像CDベンチマーク上での最先端性能を実現する。
論文 参考訳（メタデータ） (2023-10-22T07:42:19Z) - CDAN: Convolutional dense attention-guided network for low-light image enhancement [2.2530496464901106]
低照度画像は、明度が低下し、色が変色し、細部が小さくなるという課題を生んでいる。
本稿では,低照度画像を改善するための新しいソリューションであるCDAN(Convolutional Dense Attention-guided Network)を紹介する。
CDANは自動エンコーダベースのアーキテクチャと、アテンション機構とスキップ接続によって補完される、畳み込みブロックと密集ブロックを統合している。
論文 参考訳（メタデータ） (2023-08-24T16:22:05Z) - Transmission and Color-guided Network for Underwater Image Enhancement [8.894719412298397]
水中画像強調のための適応透過・動的カラー誘導ネットワーク(ATDCnet)を提案する。
物理の知識を生かして,適応型トランスミッション指向モジュール(ATM)を設計し,ネットワークをより良く誘導する。
色偏差問題に対処するため,強調画像色を後処理する動的色誘導モジュール (DCM) を設計した。
論文 参考訳（メタデータ） (2023-08-09T11:43:54Z) - DADFNet: Dual Attention and Dual Frequency-Guided Dehazing Network for
Video-Empowered Intelligent Transportation [79.18450119567315]
逆の気象条件は、ビデオベースの交通監視に深刻な課題をもたらす。
本稿では,リアルタイム視認性向上のための2つの注意と2つの周波数誘導型脱ハージングネットワーク(DADFNet)を提案する。
論文 参考訳（メタデータ） (2023-04-19T11:55:30Z) - Semantic-aware Texture-Structure Feature Collaboration for Underwater
Image Enhancement [58.075720488942125]
水中画像の強調は海洋工学や水生ロボット工学において重要な技術として注目されている。
我々は,高レベルな意味認識事前学習モデルと協調して,効率的でコンパクトな拡張ネットワークを開発する。
また,提案手法を水中の有意な物体検出タスクに適用し,高レベルの視覚タスクに適した意味認識能力を明らかにする。
論文 参考訳（メタデータ） (2022-11-19T07:50:34Z) - GDIP: Gated Differentiable Image Processing for Object-Detection in
Adverse Conditions [15.327704761260131]
本稿では,ドメインに依存しないネットワークアーキテクチャであるGated Differentiable Image Processing (GDIP)ブロックを提案する。
提案するGDIPブロックは、下流の物体検出損失から画像を直接拡張することを学ぶ。
いくつかの最先端手法による検出性能の大幅な向上を示す。
論文 参考訳（メタデータ） (2022-09-29T16:43:13Z) - Lightweight HDR Camera ISP for Robust Perception in Dynamic Illumination
Conditions via Fourier Adversarial Networks [35.532434169432776]
照明とノイズ除去の逐次的バランスをとる軽量な2段階画像強調アルゴリズムを提案する。
また、異なる照明条件下での一貫した画像強調のためのフーリエスペクトルベース対向フレームワーク(AFNet)を提案する。
また,定量的および定性的な評価に基づいて,画像強調技術が共通認識タスクの性能に与える影響について検討した。
論文 参考訳（メタデータ） (2022-04-04T18:48:51Z) - Learning Deep Context-Sensitive Decomposition for Low-Light Image
Enhancement [58.72667941107544]
典型的なフレームワークは、照明と反射を同時に推定することであるが、特徴空間にカプセル化されたシーンレベルの文脈情報を無視する。
本研究では,空間スケールにおけるシーンレベルのコンテキスト依存を生かした,コンテキスト依存型分解ネットワークアーキテクチャを提案する。
チャネル数を減らして軽量なCSDNet(LiteCSDNet)を開発する。
論文 参考訳（メタデータ） (2021-12-09T06:25:30Z)
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。