論文の概要: ITRE: Low-light Image Enhancement Based on Illumination Transmission
Ratio Estimation
- arxiv url: http://arxiv.org/abs/2310.05158v1
- Date: Sun, 8 Oct 2023 13:22:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 12:06:34.865901
- Title: ITRE: Low-light Image Enhancement Based on Illumination Transmission
Ratio Estimation
- Title（参考訳）: ITRE:照明透過率推定に基づく低照度画像強調
- Authors: Yu Wang, Yihong Wang, Tong Liu, Xiubao Sui, Qian Chen
- Abstract要約: ノイズ、アーティファクト、過剰露光は、低照度画像強調の分野において重要な課題である。
モデルの起源からノイズやアーティファクトを抑圧するRetinexベースの新しい手法ITREを提案する。
広汎な実験により, 騒音抑制, アーティファクト防止, 露光量の同時制御におけるアプローチの有効性が示された。
- 参考スコア（独自算出の注目度）: 10.26197196078661
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Noise, artifacts, and over-exposure are significant challenges in the field
of low-light image enhancement. Existing methods often struggle to address
these issues simultaneously. In this paper, we propose a novel Retinex-based
method, called ITRE, which suppresses noise and artifacts from the origin of
the model, prevents over-exposure throughout the enhancement process.
Specifically, we assume that there must exist a pixel which is least disturbed
by low light within pixels of same color. First, clustering the pixels on the
RGB color space to find the Illumination Transmission Ratio (ITR) matrix of the
whole image, which determines that noise is not over-amplified easily. Next, we
consider ITR of the image as the initial illumination transmission map to
construct a base model for refined transmission map, which prevents artifacts.
Additionally, we design an over-exposure module that captures the fundamental
characteristics of pixel over-exposure and seamlessly integrate it into the
base model. Finally, there is a possibility of weak enhancement when
inter-class distance of pixels with same color is too small. To counteract
this, we design a Robust-Guard module that safeguards the robustness of the
image enhancement process. Extensive experiments demonstrate the effectiveness
of our approach in suppressing noise, preventing artifacts, and controlling
over-exposure level simultaneously. Our method performs superiority in
qualitative and quantitative performance evaluations by comparing with
state-of-the-art methods.
- Abstract（参考訳）: ノイズ、アーティファクト、過剰露光は低照度画像強調の分野で重要な課題である。
既存の手法はしばしばこれらの問題を解決するのに苦労する。
本稿では,モデルの起源からノイズやアーティファクトを抑圧し,拡張過程を通じて過度の露光を防止する新しいretinexベースの手法であるitreを提案する。
具体的には、同じ色の画素の中で低光量に邪魔されない画素が存在する必要があると仮定する。
まず、RGB色空間上のピクセルをクラスタリングして、画像全体のイルミネーション透過率(ITR)行列を見つけ、ノイズが過度に増幅されないことを判断する。
次に,画像のITRを初期照明透過マップとみなして,改良された透過マップのベースモデルを構築し,アーチファクトを防止する。
さらに,pixelのオーバーエクスポージャーの基本特性をキャプチャし,ベースモデルにシームレスに統合するオーバーエクスポージャーモジュールを設計した。
最後に、同じ色を持つ画素のクラス間距離が小さすぎると弱くなる可能性がある。
これに対抗するために、画像強調処理の堅牢性を保護するRobust-Guardモジュールを設計する。
広汎な実験により, 騒音抑制, アーティファクト防止, 露光量の同時制御におけるアプローチの有効性が示された。
本手法は,最先端手法と比較して質的,定量的な性能評価において優れている。
関連論文リスト
- Retinex-RAWMamba: Bridging Demosaicing and Denoising for Low-Light RAW Image Enhancement [71.13353154514418]
低照度画像の強化、特に生ドメインからsRGBドメインへのマッピングのようなクロスドメインタスクは、依然として大きな課題である。
RAWMambaと呼ばれる新しいMambaスキャニング機構を提案する。
また,Retinex の先行したRetinex Decomposition Module (RDM) も提案する。
論文 参考訳（メタデータ） (2024-09-11T06:12:03Z) - Zero-Shot Enhancement of Low-Light Image Based on Retinex Decomposition [4.175396687130961]
本稿ではZERRINNetと呼ばれるゼロショット低照度化手法の学習に基づくRetinex分解を提案する。
本手法は,ペアとアンペアのデータセットのトレーニングデータの影響を受けないゼロ参照拡張手法である。
論文 参考訳（メタデータ） (2023-11-06T09:57:48Z) - Relightify: Relightable 3D Faces from a Single Image via Diffusion
Models [86.3927548091627]
単一画像からの3次元顔BRDF再構成を高精度に行うために,拡散モデルを用いた最初のアプローチを提案する。
既存の手法とは対照的に,観測されたテクスチャを直接入力画像から取得することで,より忠実で一貫した推定が可能となる。
論文 参考訳（メタデータ） (2023-05-10T11:57:49Z) - 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) - 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) - Low-Light Image Enhancement with Normalizing Flow [92.52290821418778]
本稿では,この一対多の関係を正規化フローモデルを用いてモデル化する。
低照度画像/特徴を条件として取り、通常露光される画像の分布をガウス分布にマッピングすることを学ぶ可逆ネットワーク。
既存のベンチマークデータセットによる実験結果から,提案手法はより定量的,質的な結果を得ることができ,照度が良く,ノイズやアーティファクトが小さく,色も豊かになることがわかった。
論文 参考訳（メタデータ） (2021-09-13T12:45:08Z) - 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) - Deep Bilateral Retinex for Low-Light Image Enhancement [96.15991198417552]
低照度画像は、低コントラスト、色歪み、測定ノイズによる視界の低下に悩まされる。
本稿では,低照度画像強調のための深層学習手法を提案する。
提案手法は最先端の手法と非常に競合し, 極めて低照度で撮影した画像の処理において, 他に比べて大きな優位性を有する。
論文 参考訳（メタデータ） (2020-07-04T06:26:44Z) - Unsupervised Low-light Image Enhancement with Decoupled Networks [103.74355338972123]
我々は、実世界の低照度画像を教師なしで拡張する2段階のGANベースのフレームワークを学習する。
提案手法は,照度向上と雑音低減の両面から,最先端の教師なし画像強調法より優れる。
論文 参考訳（メタデータ） (2020-05-06T13:37:08Z)
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。