Fugu-MT 論文翻訳(概要): Gnuastro: visualizing the full dynamic range in color images

論文の概要: Gnuastro: visualizing the full dynamic range in color images

arxiv url: http://arxiv.org/abs/2401.03814v1
Date: Mon, 8 Jan 2024 11:08:03 GMT
ステータス: 処理完了
システム内更新日: 2024-01-09 16:59:30.374889
Title: Gnuastro: visualizing the full dynamic range in color images
Title（参考訳）: gnuastro:カラーイメージの完全なダイナミックレンジの可視化
Authors: Ra\'ul Infante-Sainz, Mohammad Akhlaghi
Abstract要約: Gnuastro v0.22が"astscript-color-faint-gray"プログラムを導入 8ビットのRGB(Red-Green-Blue)値を明るいピクセルに割り当てるために非線形変換を使用し、ファインを逆グレースケールで表示する。このアプローチは、同じ画像内の低表面輝度の特徴を同時に可視化することを可能にする。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Color plays a crucial role in the visualization, interpretation, and analysis of multi-wavelength astronomical images. However, generating color images that accurately represent the full dynamic range of astronomical sources is challenging. In response, Gnuastro v0.22 introduces the program 'astscript-color-faint-gray', which is extensively documented in the Gnuastro manual. It employs a non-linear transformation to assign an 8-bit RGB (Red-Green-Blue) value to brighter pixels, while the fainter ones are shown in an inverse grayscale. This approach enables the simultaneous visualization of low surface brightness features within the same image. This research note is reproducible with Maneage, on the Git commit 48f5408.
Abstract（参考訳）: 色は多波長天体画像の可視化、解釈、分析において重要な役割を果たす。しかし、天文学的源の完全なダイナミックレンジを正確に表現するカラー画像の生成は困難である。 gnuastro v0.22では'astscript-color-faint-gray'というプログラムが導入されている。 8ビットのRGB(Red-Green-Blue)値を明るいピクセルに割り当てるために非線形変換を使用し、ファインを逆グレースケールで表示する。このアプローチにより、同一画像内の低輝度特徴を同時に可視化することができる。この研究ノートはGit commit 48f5408でManeageと再現可能である。

関連論文リスト

Transforming Color: A Novel Image Colorization Method [8.041659727964305]
本稿では,色変換器とGANを用いた画像カラー化手法を提案する。提案手法は,グローバルな情報を取得するためのトランスフォーマーアーキテクチャと,視覚的品質を改善するためのGANフレームワークを統合する。実験の結果,提案するネットワークは,他の最先端のカラー化技術よりも優れていた。
論文参考訳（メタデータ） (2024-10-07T07:23:42Z)
Colorizing Monochromatic Radiance Fields [55.695149357101755]
単色放射光場からの再現色を,ラボ色空間における表現・予測課題として検討する。まず、単色画像を用いて輝度と密度の表現を構築することにより、画像色化モジュールに基づいて色表現を再現できる。次に、輝度、密度、色を表現することで、カラフルな暗黙のモデルを再現する。
論文参考訳（メタデータ） (2024-02-19T14:47:23Z)
You Only Need One Color Space: An Efficient Network for Low-light Image Enhancement [50.37253008333166]
低照度画像強調(LLIE)タスクは、劣化した低照度画像から詳細と視覚情報を復元する傾向がある。水平/垂直インテンシティ(HVI)と呼ばれる新しいトレーニング可能なカラー空間を提案する。輝度と色をRGBチャネルから切り離して、拡張中の不安定性を緩和するだけでなく、トレーニング可能なパラメータによって異なる照明範囲の低照度画像にも適応する。
論文参考訳（メタデータ） (2024-02-08T16:47:43Z)
Enhancing RAW-to-sRGB with Decoupled Style Structure in Fourier Domain [27.1716081216131]
現在の方法では、携帯電話のRAW画像とDSLRカメラのRGB画像の違いを無視する。本稿では、新しいNeural ISPフレームワーク、FourierISPを紹介する。このアプローチは、画像を周波数領域内のスタイルと構造に分解し、独立した最適化を可能にする。
論文参考訳（メタデータ） (2024-01-04T09:18:31Z)
A novel approach for holographic 3D content generation without depth map [2.905273049932301]
与えられたRGB画像のみを用いてボリュームデジタルホログラムを合成する深層学習方式を提案する。実験により,提案モデルにより生成された体積ホログラムは,競合モデルよりも精度が高いことを示した。
論文参考訳（メタデータ） (2023-09-26T14:37:31Z)
Name Your Colour For the Task: Artificially Discover Colour Naming via Colour Quantisation Transformer [62.75343115345667]
そこで本研究では,色空間を定量化しつつ,画像上での認識を維持しつつ,色空間を定量化する新しい色量子化変換器CQFormerを提案する。人工色システムと人間の言語における基本色用語との一貫性のある進化パターンを観察する。我々のカラー量子化法は、画像記憶を効果的に圧縮する効率的な量子化法も提供する。
論文参考訳（メタデータ） (2022-12-07T03:39:18Z)
BiSTNet: Semantic Image Prior Guided Bidirectional Temporal Feature Fusion for Deep Exemplar-based Video Colorization [70.14893481468525]
本稿では,参照例の色を探索し,映像のカラー化を支援するために有効なBiSTNetを提案する。まず、各フレームと参照例間の深い特徴空間における意味的対応を確立し、参照例からの色情報を探究する。我々は,フレームのオブジェクト境界をモデル化するための意味情報を抽出する混合専門家ブロックを開発した。
論文参考訳（メタデータ） (2022-12-05T13:47:15Z)
Learning RAW-to-sRGB Mappings with Inaccurately Aligned Supervision [76.41657124981549]
本稿では,画像アライメントとRAW-to-sRGBマッピングのための共同学習モデルを提案する。実験の結果,本手法はZRRおよびSR-RAWデータセットの最先端に対して良好に動作することがわかった。
論文参考訳（メタデータ） (2021-08-18T12:41:36Z)
The color out of space: learning self-supervised representations for Earth Observation imagery [10.019106184219515]
衛星画像から有意義な表現を学習し、その高次元スペクトル帯域を利用して可視色を再構成する。我々は,土地被覆分類(BigEarthNet)と西ナイルウイルス検出(West Nile Virus detection)について実験を行い,着色が特徴抽出器を訓練するための確固とした前提条件であることを示した。
論文参考訳（メタデータ） (2020-06-22T10:21:36Z)
Learning to Structure an Image with Few Colors [59.34619548026885]
そこで,カラー量子化ネットワークであるColorCNNを提案する。 1ビットのカラースペース(すなわち2色)だけで、提案されたネットワークはCIFAR10データセット上で82.1%のトップ-1の精度を達成した。アプリケーションの場合、PNGでエンコードされた場合、提案したカラー量子化は、極低ビットレート方式の他の画像圧縮方法よりも優れていることを示す。
論文参考訳（メタデータ） (2020-03-17T17:56:15Z)

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。