Fugu-MT 論文翻訳(概要): LuminanceL1Loss: A loss function which measures percieved brightness and colour differences

論文の概要: LuminanceL1Loss: A loss function which measures percieved brightness and colour differences

arxiv url: http://arxiv.org/abs/2311.04614v1
Date: Wed, 8 Nov 2023 11:30:05 GMT
ステータス: 処理完了
システム内更新日: 2023-11-09 16:00:27.039612
Title: LuminanceL1Loss: A loss function which measures percieved brightness and colour differences
Title（参考訳）: LuminanceL1Loss:明るさと色差を測定する損失関数
Authors: Dominic De Jonge
Abstract要約: LuminanceL1Lossは、画像復元タスクの性能を高めるために設計された新しい損失関数である。 Retinexformer, BUIFD, DnCNN アーキテクチャに適用した場合, MSE よりも優れていることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We introduce LuminanceL1Loss, a novel loss function designed to enhance the performance of image restoration tasks. We demonstrate its superiority over MSE when applied to the Retinexformer, BUIFD and DnCNN architectures. Our proposed LuminanceL1Loss leverages a unique approach by transforming images into grayscale and subsequently computing the MSE loss for both grayscale and color channels. Experimental results demonstrate that this innovative loss function consistently outperforms traditional methods, showcasing its potential in image denoising and other related tasks in image reconstruction. It demonstrates gains up to 4.7dB. The results presented in this study highlight the efficacy of LuminanceL1Loss for various image restoration tasks.
Abstract（参考訳）: 本稿では,画像復元タスクの性能向上を目的とした新しい損失関数LuminanceL1Lossを紹介する。 Retinexformer, BUIFD, DnCNN アーキテクチャに適用した場合, MSE よりも優れていることを示す。提案するluminancel1lossは,画像をグレースケールに変換し,その後,グレースケールとカラーチャネルのmse損失を計算するユニークな手法を採用している。実験結果から,このイノベーティブな損失関数は従来手法よりも常に優れており,画像復号化や画像再構成における他の関連タスクの可能性を示している。 4.7dBまで上昇する。本研究では,画像修復作業におけるLuminanceL1Lossの有効性を明らかにする。

関連論文リスト

Perceptual-Distortion Balanced Image Super-Resolution is a Multi-Objective Optimization Problem [23.833099288826045]
画素ベースの回帰損失を用いた単一画像超解法(SISR)モデルのトレーニングは、高い歪みメトリクススコアを得ることができる。しかし、高周波の詳細の回復が不十分なため、しばしばぼやけた画像が生じる。本稿では,Multi-Objective Optimization(MOO)をSISRモデルのトレーニングプロセスに組み込んで,知覚品質と歪みのバランスをとる手法を提案する。
論文参考訳（メタデータ） (2024-09-05T02:14:04Z)
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)
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)
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)
DiffBIR: Towards Blind Image Restoration with Generative Diffusion Prior [70.46245698746874]
DiffBIRは、視覚の異なる画像復元タスクを処理できる一般的な修復パイプラインである。 DiffBIRは, ブラインド画像復元問題を, 1) 劣化除去: 画像に依存しない内容の除去; 2) 情報再生: 失われた画像内容の生成の2段階に分離する。第1段階では, 修復モジュールを用いて劣化を除去し, 高忠実度復元結果を得る。第2段階では、潜伏拡散モデルの生成能力を活用して現実的な詳細を生成するIRControlNetを提案する。
論文参考訳（メタデータ） (2023-08-29T07:11:52Z)
Wide & deep learning for spatial & intensity adaptive image restoration [16.340992967330603]
本稿では,広義の多フレーム画像復元ネットワーク(DparNet)を提案する。劣化前のパラメータ行列は、劣化した画像から直接学習される。 DparNetの広範かつ深いアーキテクチャにより、学習したパラメータは最終的な復元結果を直接修正できる。
論文参考訳（メタデータ） (2023-05-30T03:24:09Z)
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)
An Effective Image Restorer: Denoising and Luminance Adjustment for Low-photon-count Imaging [6.358214877782411]
量子画像センサ(QIS)のイメージングシミュレーションによる低光子数条件下での原像復元我々は,多層ピラミッド遮音ネットワーク (MPDNet) と輝度調整モジュール (LA) から構成される軽量なフレームワークを開発し,個別の遮音・照度向上を実現する。画像復元装置は、雑音を抑え、輝度と色を効果的に回復することにより、様々な光子レベルの劣化画像に対して優れた性能が得られる。
論文参考訳（メタデータ） (2021-10-29T12:16:30Z)
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 Variational Network Toward Blind Image Restoration [60.45350399661175]
ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
論文参考訳（メタデータ） (2020-08-25T03:30:53Z)

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。