論文の概要: Self-Supervised High Dynamic Range Imaging with Multi-Exposure Images in Dynamic Scenes

• arxiv url: http://arxiv.org/abs/2310.01840v2
• Date: Wed, 28 Feb 2024 18:45:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-29 18:43:29.695398
• Title: Self-Supervised High Dynamic Range Imaging with Multi-Exposure Images in Dynamic Scenes
• Title（参考訳）: ダイナミックシーンにおけるマルチ露光画像を用いた自己監督型高ダイナミックレンジイメージング
• Authors: Zhilu Zhang, Haoyu Wang, Shuai Liu, Xiaotao Wang, Lei Lei, Wangmeng Zuo
• Abstract要約: Selfは、訓練中にダイナミックなマルチ露光画像のみを必要とする自己教師型再構成手法である。 Selfは最先端の自己管理手法に対して優れた結果を出し、教師付き手法に匹敵するパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 58.66427721308464
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Merging multi-exposure images is a common approach for obtaining high dynamic range (HDR) images, with the primary challenge being the avoidance of ghosting artifacts in dynamic scenes. Recent methods have proposed using deep neural networks for deghosting. However, the methods typically rely on sufficient data with HDR ground-truths, which are difficult and costly to collect. In this work, to eliminate the need for labeled data, we propose SelfHDR, a self-supervised HDR reconstruction method that only requires dynamic multi-exposure images during training. Specifically, SelfHDR learns a reconstruction network under the supervision of two complementary components, which can be constructed from multi-exposure images and focus on HDR color as well as structure, respectively. The color component is estimated from aligned multi-exposure images, while the structure one is generated through a structure-focused network that is supervised by the color component and an input reference (\eg, medium-exposure) image. During testing, the learned reconstruction network is directly deployed to predict an HDR image. Experiments on real-world images demonstrate our SelfHDR achieves superior results against the state-of-the-art self-supervised methods, and comparable performance to supervised ones. Codes are available at https://github.com/cszhilu1998/SelfHDR
• Abstract（参考訳）: 多重露光画像の融合はハイダイナミックレンジ(hdr)画像を得るための一般的なアプローチであり、主な課題は動的シーンにおけるゴーストアーティファクトの回避である。 近年,Deghostingにディープニューラルネットワークを用いた手法が提案されている。 しかし、これらの手法は通常、収集が困難でコストがかかるhdrグラウンドルースで十分なデータに依存する。 本研究では,ラベル付きデータを不要にするために,訓練中に動的マルチ露光画像のみを必要とする自己教師型HDR再構成法であるSelfHDRを提案する。 特に、selfhdrは、複数の露出画像から構築できる2つの補完的コンポーネントの監督の下で再構成ネットワークを学習し、それぞれhdr色と構造に焦点を当てる。 色成分は複数の露光画像から推定され、色成分と入力基準画像(中露光画像)によって監視される構造中心ネットワークを介して構造成分が生成される。 テスト中、学習した再構成ネットワークは直接デプロイされ、HDR画像を予測する。 実世界画像を用いた実験により,我々のselfhdrは,最先端の自己教師付手法に対して優れた結果を示し,教師付画像と同等の性能を示す。 コードはhttps://github.com/cszhilu1998/SelfHDRで公開されている。

関連論文リスト

• HDRT: Infrared Capture for HDR Imaging [8.208995723545502]
  本稿では,高ダイナミックレンジサーマル(HDRT, High Dynamic Range Thermal)という,別途利用可能な赤外線センサを用いたHDR取得手法を提案する。 本稿では、赤外線とSDRを組み合わせてHDR画像を生成する新しいディープニューラルネットワーク(HDRTNet)を提案する。 オーバー露光画像とアンダー露光画像の量的および定性的な品質向上を示すとともに,複数の異なる照明条件下での撮影に頑健であることを示す。
  論文  参考訳（メタデータ） (2024-06-08T13:43:44Z)
• SMAE: Few-shot Learning for HDR Deghosting with Saturation-Aware Masked Autoencoders [97.64072440883392]
  そこで本研究では,SSHDRと呼ばれる2段階の訓練を通した短距離HDRイメージングを実現するための,新しい半教師付きアプローチを提案する。 以前の方法とは異なり、コンテンツを直接回復し、ゴーストを同時に除去することは、最適に達成することが難しい。 実験により、SSHDRは異なるデータセットの内外における定量的かつ定性的に最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-04-14T03:42:51Z)
• GlowGAN: Unsupervised Learning of HDR Images from LDR Images in the Wild [74.52723408793648]
  そこで本研究では,HDR画像の生成モデルを構築するための第1の手法について述べる。 鍵となる考え方は、GAN(Generative Adversarial Network)を訓練して、様々な露光下でLDRに投影された場合、実際のLDR画像と区別できないHDR画像を生成することである。 実験の結果,GlowGANはランドスケープ,雷,窓など多くの難題において,光現実的HDR画像を合成できることがわかった。
  論文  参考訳（メタデータ） (2022-11-22T15:42:08Z)
• Single-Image HDR Reconstruction by Multi-Exposure Generation [8.656080193351581]
  本稿では,HDR再構成のための物理画像形成過程を逆転する弱教師付き学習手法を提案する。 我々のニューラルネットワークは、複数の露光を合成する前に画素照射を再構成するためにカメラ応答を反転させることができる。 実験の結果,提案手法はHDR画像の再構成を効果的に行うことができることがわかった。
  論文  参考訳（メタデータ） (2022-10-28T05:12:56Z)
• Self-supervised HDR Imaging from Motion and Exposure Cues [14.57046548797279]
  本稿では,学習可能なHDR推定のための新たな自己教師型アプローチを提案する。 実験の結果,提案手法を用いて訓練したHDRモデルは,全監督下で訓練したモデルと性能の競争力を発揮することがわかった。
  論文  参考訳（メタデータ） (2022-03-23T10:22:03Z)
• HDR-cGAN: Single LDR to HDR Image Translation using Conditional GAN [24.299931323012757]
  低ダイナミックレンジ(LDR)カメラは、現実世界のシーンの広いダイナミックレンジを表現できない。 本研究では,HDR画像の再構成を行いながら,飽和領域の詳細を復元する深層学習手法を提案する。 本稿では,HDR-REALデータセットとHDR-SYNTHデータセットに対して,エンドツーエンドでトレーニングされた新しい条件付きGAN(cGAN)ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-04T18:50:35Z)
• Beyond Visual Attractiveness: Physically Plausible Single Image HDR Reconstruction for Spherical Panoramas [60.24132321381606]
  我々は,単発hdr再構成フレームワークに物理的照度制約を導入する。 本手法は,視覚に訴えるだけでなく,物理的に妥当なHDRを生成することができる。
  論文  参考訳（メタデータ） (2021-03-24T01:51:19Z)
• HDR-GAN: HDR Image Reconstruction from Multi-Exposed LDR Images with Large Motions [62.44802076971331]
  マルチ露光LDR画像からHDR画像を合成するための新しいGANモデルHDR-GANを提案する。 本手法は,敵対学習を取り入れることで,欠落したコンテンツのある領域に忠実な情報を生成することができる。
  論文  参考訳（メタデータ） (2020-07-03T11:42:35Z)
• End-to-End Differentiable Learning to HDR Image Synthesis for Multi-exposure Images [23.895981099137533]
  与えられた単一露光からの多重露光スタックに基づく高ダイナミックレンジ()画像再構成は、ディープラーニングフレームワークを用いて高品質なHDR画像を生成する。 我々は, スタック再構成に基づく手法において, 完全に微分可能な高ダイナミックレンジイメージング(I)プロセスを用いた新しいフレームワークを提案する。 言い換えれば、我々の微分可能なHDR合成層は、深層ニューラルネットワークがHDRIプロセスにおけるマルチ露光画像間の正確な相関を反映しながら、マルチ露光スタックを作成する訓練を支援する。
  論文  参考訳（メタデータ） (2020-06-29T06:47:07Z)
• Single-Image HDR Reconstruction by Learning to Reverse the Camera Pipeline [100.5353614588565]
  本稿では,LDR画像形成パイプラインの領域知識をモデルに組み込むことを提案する。 我々は,HDRto-LDR画像形成パイプラインを(1)ダイナミックレンジクリッピング,(2)カメラ応答関数からの非線形マッピング,(3)量子化としてモデル化する。 提案手法は,最先端の単一画像HDR再構成アルゴリズムに対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2020-04-02T17:59:04Z)

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。