論文の概要: Improving Low-Light Image Recognition Performance Based on
Image-adaptive Learnable Module
- arxiv url: http://arxiv.org/abs/2401.06438v1
- Date: Fri, 12 Jan 2024 08:18:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 20:11:08.900280
- Title: Improving Low-Light Image Recognition Performance Based on
Image-adaptive Learnable Module
- Title(参考訳): 画像適応型学習モジュールによる低照度画像認識性能の向上
- Authors: Seitaro Ono, Yuka Ogino, Takahiro Toizumi, Atsushi Ito, Masato Tsukada
- Abstract要約: 本研究では,低照度条件下での認識モデルの性能向上について述べる。
入力画像に適切な画像処理を適用する画像適応学習モジュールを提案する。
提案手法は,フロントエンドフィルタとして容易に統合することにより,低照度条件下での認識性能の向上を可能にする。
- 参考スコア(独自算出の注目度): 0.5312303275762104
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, significant progress has been made in image recognition
technology based on deep neural networks. However, improving recognition
performance under low-light conditions remains a significant challenge. This
study addresses the enhancement of recognition model performance in low-light
conditions. We propose an image-adaptive learnable module which apply
appropriate image processing on input images and a hyperparameter predictor to
forecast optimal parameters used in the module. Our proposed approach allows
for the enhancement of recognition performance under low-light conditions by
easily integrating as a front-end filter without the need to retrain existing
recognition models designed for low-light conditions. Through experiments, our
proposed method demonstrates its contribution to enhancing image recognition
performance under low-light conditions.
- Abstract(参考訳): 近年,深層ニューラルネットワークに基づく画像認識技術が大きな進歩を遂げている。
しかし、低照度条件下での認識性能の向上は依然として大きな課題である。
本研究では,低照度条件下での認識モデルの性能向上について述べる。
本稿では,入力画像に対して適切な画像処理を施す画像適応学習モジュールと,モジュール内で使用される最適パラメータを予測するハイパーパラメータ予測器を提案する。
提案手法は,低照度条件で設計された既存の認識モデルを再訓練することなく,フロントエンドフィルタとして容易に統合することにより,低照度条件下での認識性能の向上を可能にする。
提案手法は,低照度環境における画像認識性能の向上に寄与することを示す。
関連論文リスト
- Zero-LED: Zero-Reference Lighting Estimation Diffusion Model for
Low-Light Image Enhancement [5.049812996253858]
ゼロLEDと呼ばれる低照度画像強調のための新しいゼロ参照光推定拡散モデルを提案する。
拡散モデルの安定収束能力を利用して、低照度領域と実常照度領域の間のギャップを埋める。
ゼロ参照学習を通じてペアのトレーニングデータへの依存を緩和する。
論文 参考訳(メタデータ) (2024-03-05T11:39:17Z) - Seed Optimization with Frozen Generator for Superior Zero-shot Low-light
Enhancement [49.97304897798384]
事前学習したジェネレータをRetinexモデルに組み込んで、詳細と鮮明さを向上した反射率マップを生成する。
低照度増強モデルのパラメータよりも入力種子への勾配を逆伝播させる新しい最適化手法を提案する。
事前学習した知識と種最適化戦略を活かして、低照度向上モデルにより、強化された結果の現実性と忠実度を著しく調整することができる。
論文 参考訳(メタデータ) (2024-02-15T04:06:18Z) - Diffusion in the Dark: A Diffusion Model for Low-Light Text Recognition [78.50328335703914]
ディフュージョン・イン・ザ・ダーク (Diffusion in the Dark, DiD) は、テキスト認識のための低照度画像再構成のための拡散モデルである。
実画像上での低照度テキスト認識において,Digital DiDがSOTAの低照度手法より優れていることを示す。
論文 参考訳(メタデータ) (2023-03-07T23:52:51Z) - Ultra-High-Definition Low-Light Image Enhancement: A Benchmark and
Transformer-Based Method [51.30748775681917]
低照度画像強調(LLIE)の課題を考察し,4K解像度と8K解像度の画像からなる大規模データベースを導入する。
我々は、系統的なベンチマーク研究を行い、現在のLLIEアルゴリズムと比較する。
第2のコントリビューションとして,変換器をベースとした低照度化手法であるLLFormerを紹介する。
論文 参考訳(メタデータ) (2022-12-22T09:05:07Z) - Toward Fast, Flexible, and Robust Low-Light Image Enhancement [87.27326390675155]
我々は、現実の低照度シナリオにおいて、高速でフレキシブルで頑健な鮮明化のための新しい自己校正イルミネーション(SCI)学習フレームワークを開発した。
カスケードパターンの計算負担を考慮すると、各ステージの結果の収束を実現する自己校正モジュールを構築する。
我々は,SCI固有の特性について,操作不感適応性やモデル非関係の一般性を含む包括的探索を行う。
論文 参考訳(メタデータ) (2022-04-21T14:40:32Z) - Low-light Image and Video Enhancement via Selective Manipulation of
Chromaticity [1.4680035572775534]
低照度画像と映像強調のための簡易かつ効果的なアプローチを提案する。
上述の適応性により、低照度画像分解による照明と反射率へのコストのかかるステップを回避できる。
標準の低照度画像データセットでは,いくつかの最先端技術に対して,アルゴリズムの有効性と質的,定量的な優位性を示す。
論文 参考訳(メタデータ) (2022-03-09T17:01:28Z) - The Loop Game: Quality Assessment and Optimization for Low-Light Image
Enhancement [50.29722732653095]
低照度画像強調手法の設計と最適化は知覚品質によって完全に駆動される必要があるという認識がますます高まっている。
本稿では,低照度画像の高画質化が視覚的品質の向上にどのように最適化されるかを示すループ拡張フレームワークを提案する。
論文 参考訳(メタデータ) (2022-02-20T06:20:06Z) - Improving Aerial Instance Segmentation in the Dark with Self-Supervised
Low Light Enhancement [6.500738558466833]
空中画像の低照度条件は、視覚ベースのアプリケーションの性能に悪影響を及ぼす。
自己監督型で低照度画像を高めることができる新しい手法を提案する。
GANを用いた新しい低照度航空データセットも提案する。
論文 参考訳(メタデータ) (2021-02-10T12:24:40Z) - Low-Light Maritime Image Enhancement with Regularized Illumination
Optimization and Deep Noise Suppression [5.401654133604235]
本稿では,照明の正規化と雑音抑圧による低照度画像の高精細化を提案する。
人工海事画像と現実海事画像の総合的な実験を行い,提案手法と最先端画像との比較を行った。
論文 参考訳(メタデータ) (2020-08-09T17:05:23Z) - 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) - Learning an Adaptive Model for Extreme Low-light Raw Image Processing [5.706764509663774]
画質向上のための適応型低照度生画像強調ネットワークを提案する。
提案手法は、最先端の低照度アルゴリズムと比較してノイズレベル推定(NLE)のスコアが低い。
ビデオ処理における潜在的な応用について概説する。
論文 参考訳(メタデータ) (2020-04-22T09:01:07Z)
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。