論文の概要: Redistributing the Precision and Content in 3D-LUT-based Inverse
Tone-mapping for HDR/WCG Display
- arxiv url: http://arxiv.org/abs/2309.17160v2
- Date: Sun, 15 Oct 2023 12:23:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-18 03:18:29.523748
- Title: Redistributing the Precision and Content in 3D-LUT-based Inverse
Tone-mapping for HDR/WCG Display
- Title(参考訳): 3D-LUTを用いたHDR/WCGディスプレイの逆トーンマッピングにおける精度と内容の再分配
- Authors: Cheng Guo and Leidong Fan and Qian Zhang and Hanyuan Liu and Kanglin
Liu and Xiuhua Jiang
- Abstract要約: ITM(inverse tone-mapping)は、メディア製造のためにSDRをHDR/WCGに変換する。
私たちは研究コミュニティから学び、AIと組み合わせます。
我々は3つの小さなLUTを使用しており、それぞれが暗、中、明るい光沢域でより密集した、一様でないパッキング(精度)を持っている。
- 参考スコア(独自算出の注目度): 7.394877727695761
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: ITM(inverse tone-mapping) converts SDR (standard dynamic range) footage to
HDR/WCG (high dynamic range /wide color gamut) for media production. It happens
not only when remastering legacy SDR footage in front-end content provider, but
also adapting on-theair SDR service on user-end HDR display. The latter
requires more efficiency, thus the pre-calculated LUT (look-up table) has
become a popular solution. Yet, conventional fixed LUT lacks adaptability, so
we learn from research community and combine it with AI. Meanwhile,
higher-bit-depth HDR/WCG requires larger LUT than SDR, so we consult
traditional ITM for an efficiency-performance trade-off: We use 3 smaller LUTs,
each has a non-uniform packing (precision) respectively denser in dark, middle
and bright luma range. In this case, their results will have less error only in
their own range, so we use a contribution map to combine their best parts to
final result. With the guidance of this map, the elements (content) of 3 LUTs
will also be redistributed during training. We conduct ablation studies to
verify method's effectiveness, and subjective and objective experiments to show
its practicability. Code is available at: https://github.com/AndreGuo/ITMLUT.
- Abstract(参考訳): itm(inverse tone-mapping)はsdr(standard dynamic range)映像をhdr/wcg(high dynamic range /wide color gamut)に変換する。
フロントエンドのコンテンツプロバイダでレガシなSDR映像をリマスターするだけでなく、ユーザエンドのHDRディスプレイにオンデマンドのSDRサービスを適用する場合にも発生する。
後者はより効率が良いため、事前計算されたLUT(ルックアップテーブル)が一般的な解となっている。
しかし、従来の固定LUTには適応性がないため、研究コミュニティから学び、AIと組み合わせることができます。
一方、高ビット深度HDR/WCGはSDRよりもLUTが大きいため、従来のIMTを参考にして効率と性能のトレードオフを行う。
この場合、それぞれの結果が自身の範囲でのみエラーが少ないため、最終的な結果に最適な部分を組み合わせるためにコントリビューションマップを使用します。
このマップのガイダンスにより、3つのUTTの要素(コンテンツ)もトレーニング中に再配布される。
方法の有効性を検証するためにアブレーション研究を行い,その実践性を示すための主観的および客観的実験を行った。
コードは、https://github.com/AndreGuo/ITMLUT.comで入手できる。
関連論文リスト
- EVER: Exact Volumetric Ellipsoid Rendering for Real-time View Synthesis [72.53316783628803]
実時間微分可能な発光専用ボリュームレンダリング法であるExact Volumetric Ellipsoid Rendering (EVER)を提案する。
3D Gaussian Splatting(3DGS)による最近の手法とは異なり、プリミティブベースの表現は正確なボリュームレンダリングを可能にする。
本手法は,3DGSよりもブレンディング問題の方が精度が高く,ビューレンダリングの追従作業も容易であることを示す。
論文 参考訳(メタデータ) (2024-10-02T17:59:09Z) - HDR-GS: Efficient High Dynamic Range Novel View Synthesis at 1000x Speed via Gaussian Splatting [76.5908492298286]
既存のHDR NVS法は主にNeRFに基づいている。
訓練時間は長く、推論速度は遅い。
我々は新しいフレームワークHigh Dynamic Range Gaussian Splatting (-GS)を提案する。
論文 参考訳(メタデータ) (2024-05-24T00:46:58Z) - VRS-NeRF: Visual Relocalization with Sparse Neural Radiance Field [37.57533470759197]
スパースニューラル放射場を用いた視覚的再局在のための,VRS-NeRFと呼ばれる効率的かつ正確なフレームワークを提案する。
本稿では,3次元地図表現のための明示的幾何マップ (EGM) と,スパースパッチレンダリングのための暗黙的学習マップ (ILM) を紹介する。
提案手法は, APR や SCR よりもはるかに精度が高く,HM に近い性能を示すが,より効率的である。
論文 参考訳(メタデータ) (2024-04-14T14:26:33Z) - Splatter Image: Ultra-Fast Single-View 3D Reconstruction [67.96212093828179]
Splatter ImageはGaussian Splattingをベースにしており、複数の画像から3Dシーンを高速かつ高品質に再現することができる。
テスト時に38FPSでフィードフォワードで再構成を行うニューラルネットワークを学習する。
いくつかの総合、実、マルチカテゴリ、大規模ベンチマークデータセットにおいて、トレーニング中にPSNR、LPIPS、その他のメトリクスでより良い結果を得る。
論文 参考訳(メタデータ) (2023-12-20T16:14:58Z) - Feature 3DGS: Supercharging 3D Gaussian Splatting to Enable Distilled Feature Fields [54.482261428543985]
ニューラル・ラジアンス・フィールドを使用する手法は、新しいビュー合成のような従来のタスクに汎用的である。
3次元ガウシアンスプラッティングは, 実時間ラディアンス場レンダリングにおける最先端の性能を示した。
この問題を効果的に回避するために,アーキテクチャとトレーニングの変更を提案する。
論文 参考訳(メタデータ) (2023-12-06T00:46:30Z) - Towards Efficient SDRTV-to-HDRTV by Learning from Image Formation [51.26219245226384]
モダンディスプレイは、高ダイナミックレンジ(WCG)と広色域(SDR)で映像コンテンツをレンダリングすることができる
利用可能なリソースの大部分は、まだ標準動的範囲(SDR)にある。
我々は、SDRTV/TVコンテンツの形成をモデル化し、SDRTV-to-TVタスクを定義し、分析する。
本手法は主に超高精細テレビコンテンツ向けに設計されており、4K解像度画像の処理に有効で軽量である。
論文 参考訳(メタデータ) (2023-09-08T02:50:54Z) - Lightweight Improved Residual Network for Efficient Inverse Tone Mapping [30.049931061503276]
インターネット上のほとんどのメディア画像は8ビット標準ダイナミックレンジ(SDR)フォーマットのままである。
逆トーンマッピング(ITM)は、豊富なメディア画像の潜在能力を最大限に活用するために重要である。
我々は,効率的なIMMを実現するために,一般的な残差ブロックのパワーを増強し,軽量な改良された残差ネットワーク(IRNet)を提案する。
論文 参考訳(メタデータ) (2023-07-08T15:43:49Z) - NILUT: Conditional Neural Implicit 3D Lookup Tables for Image
Enhancement [82.75363196702381]
3次元ルックアップテーブル(3D LUT)は、画像強調のための重要なコンポーネントである。
3D LUTを学習し、適用するための現在のアプローチは、明らかに高速だが、メモリ効率はそれほど高くない。
ニューラルネットワークによってパラメータ化される暗黙的に定義された連続3次元色変換であるニューラルインプリシット LUT (NILUT) を提案する。
論文 参考訳(メタデータ) (2023-06-20T22:06:39Z) - Learning a Practical SDR-to-HDRTV Up-conversion using New Dataset and
Degradation Models [4.0336006284433665]
メディア業界では、HDR-WCG(ハイダイナミックレンジワイドカラーガム)を使用すると、SDR-TVアップコンバージョンが要求される。
現在の手法では、薄暗く不飽和な結果をもたらす傾向があり、視聴体験をほとんど改善しない。
我々は,新しいHDRTVデータセット(HDRTV4K)と新しいHDR-to-SDRモデルを提案する。
論文 参考訳(メタデータ) (2023-03-23T04:40:33Z) - Unsupervised HDR Image and Video Tone Mapping via Contrastive Learning [19.346284003982035]
教師なし画像とビデオトーンマッピングのための統合フレームワーク(IVTMNet)を提案する。
ビデオトーンマッピングでは,時間的相関を効率的に活用するための時間的特徴置換(TFR)モジュールを提案する。
実験結果から,本手法は最先端画像やビデオトーンマッピング法よりも優れていた。
論文 参考訳(メタデータ) (2023-03-13T17:45:39Z)
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。