論文の概要: ClassLIE: Structure- and Illumination-Adaptive Classification for
Low-Light Image Enhancement
- arxiv url: http://arxiv.org/abs/2312.13265v1
- Date: Wed, 20 Dec 2023 18:43:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-21 14:29:42.128733
- Title: ClassLIE: Structure- and Illumination-Adaptive Classification for
Low-Light Image Enhancement
- Title（参考訳）: classlie:低光度画像強調のための構造と照明適応分類
- Authors: Zixiang Wei, Yiting Wang, Lichao Sun, Athanasios V. Vasilakos, Lin
Wang
- Abstract要約: 本稿では,CNN と変換器のポテンシャルを組み合わせた新しいフレームワーク ClassLIE を提案する。
低照度画像から、全体的かつ局所的に構造的および照明的情報を分類し、適応的に学習する。
5つのベンチマークデータセットの実験は、私たちのClassLIEが新しい最先端のパフォーマンスを達成することを一貫して示しています。
- 参考スコア（独自算出の注目度）: 17.51201873607536
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Low-light images often suffer from limited visibility and multiple types of
degradation, rendering low-light image enhancement (LIE) a non-trivial task.
Some endeavors have been recently made to enhance low-light images using
convolutional neural networks (CNNs). However, they have low efficiency in
learning the structural information and diverse illumination levels at the
local regions of an image. Consequently, the enhanced results are affected by
unexpected artifacts, such as unbalanced exposure, blur, and color bias. To
this end, this paper proposes a novel framework, called ClassLIE, that combines
the potential of CNNs and transformers. It classifies and adaptively learns the
structural and illumination information from the low-light images in a holistic
and regional manner, thus showing better enhancement performance. Our framework
first employs a structure and illumination classification (SIC) module to learn
the degradation information adaptively. In SIC, we decompose an input image
into an illumination map and a reflectance map. A class prediction block is
then designed to classify the degradation information by calculating the
structure similarity scores on the reflectance map and mean square error on the
illumination map. As such, each input image can be divided into patches with
three enhancement difficulty levels. Then, a feature learning and fusion (FLF)
module is proposed to adaptively learn the feature information with CNNs for
different enhancement difficulty levels while learning the long-range
dependencies for the patches in a holistic manner. Experiments on five
benchmark datasets consistently show our ClassLIE achieves new state-of-the-art
performance, with 25.74 PSNR and 0.92 SSIM on the LOL dataset.
- Abstract（参考訳）: 低照度画像はしばしば可視性と複数の種類の劣化に悩まされ、低照度画像強調(LIE)は非自明なタスクである。
畳み込みニューラルネットワーク(CNN)を用いて低照度画像を強化する試みが最近行われた。
しかし、画像の局所領域における構造情報と多様な照明レベルを学習する際の効率は低い。
その結果、強化された結果は、不均衡な露出、ぼけ、色バイアスなどの予期せぬアーティファクトに影響される。
そこで本研究では,CNNと変圧器のポテンシャルを組み合わせた新しいフレームワークであるClassLIEを提案する。
低照度画像から構造および照明情報を全体的かつ局所的に分類・適応的に学習し、より優れた強調性能を示す。
まず,構造および照明分類(sic)モジュールを用いて,劣化情報を適応的に学習する。
sicでは、入力画像を照明マップと反射率マップに分解する。
次に、反射率マップ上の構造類似度スコアと照明マップ上の平均二乗誤差を算出し、劣化情報を分類するクラス予測ブロックを設計する。
これにより、各入力画像を3つの強化困難レベルを持つパッチに分割することができる。
次に,cnnを用いて,パッチの長距離依存性を包括的に学習しながら,拡張難易度レベルが異なる特徴情報を適応的に学習する機能学習融合(flf)モジュールを提案する。
5つのベンチマークデータセットの実験は、LOLデータセット上で25.74 PSNRと0.92 SSIMで、私たちのClassLIEが新しい最先端のパフォーマンスを達成することを一貫して示している。
関連論文リスト
- RSEND: Retinex-based Squeeze and Excitation Network with Dark Region Detection for Efficient Low Light Image Enhancement [1.7356500114422735]
より正確で簡潔で一段階のRetinex理論に基づくフレームワークRSENDを提案する。
RSENDはまず、低照度画像を照明マップと反射マップに分割し、照明マップの重要な詳細をキャプチャして光強調を行う。
我々の効率の良いRetinexモデルは、他のCNNベースモデルよりも大幅に優れており、異なるデータセットで0.44dBから4.2dBまでのPSNRの改善を実現している。
論文 参考訳（メタデータ） (2024-06-14T01:36:52Z) - 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) - Low-Light Image Enhancement with Illumination-Aware Gamma Correction and
Complete Image Modelling Network [69.96295927854042]
低照度環境は通常、情報の少ない大規模な暗黒地帯に繋がる。
本稿では,ガンマ補正の有効性を深層ネットワークのモデリング能力と統合することを提案する。
指数関数演算は高い計算複雑性をもたらすので、Taylor Series を用いてガンマ補正を近似することを提案する。
論文 参考訳（メタデータ） (2023-08-16T08:46:51Z) - Enhancing Low-light Light Field Images with A Deep Compensation Unfolding Network [52.77569396659629]
本稿では,低光環境下で撮像した光場(LF)画像の復元に,DCUNet(Deep compensation network openfolding)を提案する。
このフレームワークは、中間拡張結果を使用して照明マップを推定し、展開プロセスで新しい拡張結果を生成する。
本稿では,LF画像の特徴を適切に活用するために,擬似明示的特徴相互作用モジュールを提案する。
論文 参考訳（メタデータ） (2023-08-10T07:53:06Z) - LLDiffusion: Learning Degradation Representations in Diffusion Models
for Low-Light Image Enhancement [118.83316133601319]
現在の低照度画像強調(LLIE)の深層学習法は、通常、ペア化されたデータから学んだピクセルワイドマッピングに依存している。
本稿では,拡散モデルを用いたLLIEの劣化認識学習手法を提案する。
論文 参考訳（メタデータ） (2023-07-27T07:22:51Z) - Retinexformer: One-stage Retinex-based Transformer for Low-light Image
Enhancement [96.09255345336639]
低照度画像の高精細化のために,原理化された1段Retinex-based Framework (ORF) を定式化する。
ORFはまず照明情報を推定し、低照度画像を照らす。
我々のアルゴリズムであるRetinexformerは13のベンチマークで最先端の手法を大幅に上回っている。
論文 参考訳（メタデータ） (2023-03-12T16:54:08Z) - LR-Net: A Block-based Convolutional Neural Network for Low-Resolution
Image Classification [0.0]
ノイズや低解像度の画像から低レベル特徴と大域特徴の両方を学習するためのブロックで構成された,新しい画像分類アーキテクチャを開発した。
ブロックの設計は,性能向上とパラメータサイズ削減のために,Residual ConnectionとInceptionモジュールの影響を強く受けていた。
我々は、提示されたアーキテクチャが既存の最先端畳み込みニューラルネットワークよりも高速で正確であることを示す詳細なテストを実施した。
論文 参考訳（メタデータ） (2022-07-19T20:01:11Z) - PIE-Net: Photometric Invariant Edge Guided Network for Intrinsic Image
Decomposition [17.008724191799313]
固有の画像分解は、画像から画像形成成分(反射および陰影)を回収する過程である。
本稿では,固有画像分解のためのエッジ駆動ハイブリッドCNN手法を提案する。
論文 参考訳（メタデータ） (2022-03-30T20:46:15Z) - Enhancing Low-Light Images in Real World via Cross-Image Disentanglement [58.754943762945864]
そこで本研究では,現実の汚職とミスアライメントされたトレーニング画像からなる,新しい低照度画像強調データセットを提案する。
本モデルでは,新たに提案したデータセットと,他の一般的な低照度データセットの両方に対して,最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-01-10T03:12:52Z)
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。