論文の概要: Low-light Stereo Image Enhancement and De-noising in the Low-frequency
Information Enhanced Image Space
- arxiv url: http://arxiv.org/abs/2401.07753v1
- Date: Mon, 15 Jan 2024 15:03:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-17 16:47:54.838588
- Title: Low-light Stereo Image Enhancement and De-noising in the Low-frequency
Information Enhanced Image Space
- Title（参考訳）: 低周波情報強化画像空間における低光ステレオ画像の強調とノイズ除去
- Authors: Minghua Zhao, Xiangdong Qin, Shuangli Du, Xuefei Bai, Jiahao Lyu,
Yiguang Liu
- Abstract要約: 同時に高音化・低音化を行う手法が提案されている。
低周波情報拡張モジュール (IEM) は雑音を抑え, 新たな画像空間を創出するために提案される。
長距離空間依存を符号化するために,チャネル間および空間コンテキスト情報マイニングモジュール(CSM)を提案する。
エンコーダ-デコーダ構造が構築され、クロスビューとクロススケールな特徴相互作用が組み込まれている。
- 参考スコア（独自算出の注目度）: 5.1569866461097185
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unlike single image task, stereo image enhancement can use another view
information, and its key stage is how to perform cross-view feature interaction
to extract useful information from another view. However, complex noise in
low-light image and its impact on subsequent feature encoding and interaction
are ignored by the existing methods. In this paper, a method is proposed to
perform enhancement and de-noising simultaneously. First, to reduce unwanted
noise interference, a low-frequency information enhanced module (IEM) is
proposed to suppress noise and produce a new image space. Additionally, a
cross-channel and spatial context information mining module (CSM) is proposed
to encode long-range spatial dependencies and to enhance inter-channel feature
interaction. Relying on CSM, an encoder-decoder structure is constructed,
incorporating cross-view and cross-scale feature interactions to perform
enhancement in the new image space. Finally, the network is trained with the
constraints of both spatial and frequency domain losses. Extensive experiments
on both synthesized and real datasets show that our method obtains better
detail recovery and noise removal compared with state-of-the-art methods. In
addition, a real stereo image enhancement dataset is captured with stereo
camera ZED2. The code and dataset are publicly available at:
https://www.github.com/noportraits/LFENet.
- Abstract（参考訳）: 単一の画像タスクとは異なり、ステレオ画像拡張は別のビュー情報を利用することができ、その重要なステージは、他のビューから有用な情報を抽出するためにクロスビュー機能インタラクションを実行する方法である。
しかし、低光度画像における複雑なノイズやその後の特徴エンコーディングやインタラクションへの影響は、既存の手法では無視されている。
本稿では, 同時に高次化とデノイズ化を行う手法を提案する。
まず、不要なノイズ干渉を低減するため、低周波情報拡張モジュール(IEM)を提案し、ノイズを抑え、新しい画像空間を創出する。
さらに, 長距離空間依存性を符号化し, チャネル間インタラクションを強化するために, クロスチャネルおよび空間コンテキスト情報マイニングモジュール (csm) を提案する。
CSMに基づいてエンコーダ・デコーダ構造を構築し、クロスビューとクロススケールな機能相互作用を取り入れ、新しい画像空間の拡張を実現する。
最後に、ネットワークは空間領域損失と周波数領域損失の両方の制約で訓練される。
合成データと実データの両方について広範な実験を行った結果,本手法は最先端手法と比較してより詳細な回復とノイズ除去が得られた。
また、ステレオカメラzed2で実際のステレオ画像強調データセットをキャプチャする。
コードとデータセットは、https://www.github.com/noportraits/lfenetで公開されている。
関連論文リスト
- SGDFormer: One-stage Transformer-based Architecture for Cross-Spectral Stereo Image Guided Denoising [11.776198596143931]
本稿では,SGDFormer というワンステージトランスフォーマベースアーキテクチャを提案する。
我々の変圧器ブロックは、ノイズロストクロスアテンション(NRCA)モジュールと空間変化型特徴融合(SVFF)モジュールを含む。
SGDFormerは、上記の設計により、微細な構造でアーチファクトフリーなイメージを復元し、さまざまなデータセット上で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） (2024-03-30T12:55:19Z) - A cross Transformer for image denoising [83.68175077524111]
直列ブロック(SB)、並列ブロック(PB)、残留ブロック(RB)を備えたクロストランスフォーマー(CTNet)を提案する。
CTNetは、実画像や合成画像のデノナイジングにおいて、一般的なデノナイジング法よりも優れている。
論文 参考訳（メタデータ） (2023-10-16T13:53:19Z) - Mutual Information-driven Triple Interaction Network for Efficient Image
Dehazing [54.168567276280505]
画像デハージングのための相互情報駆動型トリプルインタラクションネットワーク(MITNet)を提案する。
振幅誘導ヘイズ除去と呼ばれる第1段階は、ヘイズ除去のためのヘイズ画像の振幅スペクトルを復元することを目的としている。
第2段階は位相誘導構造が洗練され、位相スペクトルの変換と微細化を学ぶことに尽力した。
論文 参考訳（メタデータ） (2023-08-14T08:23:58Z) - Spatial-Frequency U-Net for Denoising Diffusion Probabilistic Models [89.76587063609806]
画素空間の代わりにウェーブレット空間における拡散確率モデル(DDPM)を視覚合成のために検討した。
ウェーブレット信号を明示的にモデル化することで、我々のモデルは複数のデータセット上でより高品質な画像を生成することができる。
論文 参考訳（メタデータ） (2023-07-27T06:53:16Z) - Cross-View Hierarchy Network for Stereo Image Super-Resolution [14.574538513341277]
ステレオ画像スーパーレゾリューションは、ビュー間の相補的な情報を活用することにより、高解像度ステレオ画像ペアの品質を向上させることを目的としている。
ステレオ画像超解法(CVHSSR)のためのクロスビュー階層ネットワーク(Cross-View-Hierarchy Network)という新しい手法を提案する。
CVHSSRは、パラメータを減らしながら、他の最先端手法よりも最高のステレオ画像超解像性能を達成する。
論文 参考訳（メタデータ） (2023-04-13T03:11:30Z) - SufrinNet: Toward Sufficient Cross-View Interaction for Stereo Image
Enhancement in The Dark [119.01585302856103]
低照度ステレオ画像強調(LLSIE)は、暗黒環境で撮影された視覚的に不快なステレオ画像の品質を高めるための比較的新しいタスクである。
1)クロスビューの相互作用が不十分なこと,2)ビュー内学習に長距離依存が欠如していること,である。
SufrinNet(SufrinNet)を用いた新しいLLSIEモデルを提案する。
論文 参考訳（メタデータ） (2022-11-02T04:01:30Z) - Riesz-Quincunx-UNet Variational Auto-Encoder for Satellite Image
Denoising [0.0]
衛星画像のノイズ低減に使用される画像および時系列分解のためのハイブリッドRQUNet-VAE方式を提案する。
また,本手法をマルチバンド衛星画像に適用し,画像の分解,画像分割,拡散による時系列分解,画像分割などを行う。
論文 参考訳（メタデータ） (2022-08-25T19:51:07Z) - Stereo Superpixel Segmentation Via Decoupled Dynamic Spatial-Embedding
Fusion Network [17.05076034398913]
本研究では,空間情報のデカップリング機構を備えたステレオスーパーピクセルセグメンテーション法を提案する。
立体差分情報と空間情報を分離するために、ステレオ画像対の特徴を融合する前に空間情報を一時的に除去する。
提案手法は,KITTI2015およびCityscapesデータセットの最先端性能を実現するとともに,NJU2Kデータセットの有能なオブジェクト検出に適用した場合の効率性を検証する。
論文 参考訳（メタデータ） (2022-08-17T08:22:50Z) - Learning Spatial and Spatio-Temporal Pixel Aggregations for Image and
Video Denoising [104.59305271099967]
ピクセル集計ネットワークを提示し、画像デノイジングのためのピクセルサンプリングと平均戦略を学びます。
時間空間にまたがるサンプル画素をビデオデノナイズするための画素集約ネットワークを開発した。
本手法は,動的シーンにおける大きな動きに起因する誤認問題を解決することができる。
論文 参考訳（メタデータ） (2021-01-26T13:00:46Z) - ADRN: Attention-based Deep Residual Network for Hyperspectral Image
Denoising [52.01041506447195]
ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。
実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2020-03-04T08:36:27Z)
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。