論文の概要: Seed Optimization with Frozen Generator for Superior Zero-shot Low-light Enhancement

• arxiv url: http://arxiv.org/abs/2402.09694v1
• Date: Thu, 15 Feb 2024 04:06:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-16 17:02:39.503325
• Title: Seed Optimization with Frozen Generator for Superior Zero-shot Low-light Enhancement
• Title（参考訳）: ゼロショット低光度向上のための凍結発生器による種子最適化
• Authors: Yuxuan Gu and Yi Jin and Ben Wang and Zhixiang Wei and Xiaoxiao Ma and Pengyang Ling and Haoxuan Wang and Huaian Chen and Enhong Chen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 49.97304897798384
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we observe that the generators, which are pre-trained on massive natural images, inherently hold the promising potential for superior low-light image enhancement against varying scenarios.Specifically, we embed a pre-trained generator to Retinex model to produce reflectance maps with enhanced detail and vividness, thereby recovering features degraded by low-light conditions.Taking one step further, we introduce a novel optimization strategy, which backpropagates the gradients to the input seeds rather than the parameters of the low-light enhancement model, thus intactly retaining the generative knowledge learned from natural images and achieving faster convergence speed. Benefiting from the pre-trained knowledge and seed-optimization strategy, the low-light enhancement model can significantly regularize the realness and fidelity of the enhanced result, thus rapidly generating high-quality images without training on any low-light dataset. Extensive experiments on various benchmarks demonstrate the superiority of the proposed method over numerous state-of-the-art methods qualitatively and quantitatively.
• Abstract（参考訳）: In this work, we observe that the generators, which are pre-trained on massive natural images, inherently hold the promising potential for superior low-light image enhancement against varying scenarios.Specifically, we embed a pre-trained generator to Retinex model to produce reflectance maps with enhanced detail and vividness, thereby recovering features degraded by low-light conditions.Taking one step further, we introduce a novel optimization strategy, which backpropagates the gradients to the input seeds rather than the parameters of the low-light enhancement model, thus intactly retaining the generative knowledge learned from natural images and achieving faster convergence speed. 事前学習された知識とシード最適化戦略を活かして、低照度拡張モデルは、強化された結果の現実性と忠実性を著しく調整し、低照度データセットをトレーニングすることなく、高品質な画像を迅速に生成することができる。 様々なベンチマークに関する広範囲な実験により,提案手法の質的,定量的に優れた結果が得られた。

関連論文リスト

• Unsupervised Image Prior via Prompt Learning and CLIP Semantic Guidance for Low-Light Image Enhancement [25.97198463881292]
  本稿では,よりリッチな視覚言語CLIPを利用して,ゼロ参照低照度化手法を提案する。 提案手法はタスクベース性能に関する各種データセット間で一貫した改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-05-19T08:06:14Z)
• Unsupervised Low Light Image Enhancement Using SNR-Aware Swin Transformer [0.0]
  低照度画像強調は、明るさとコントラストを改善し、視覚的品質を損なうノイズを減らすことを目的としている。 本稿では,Swin Transformerをベースとしたデュアルブランチネットワークを提案する。
  論文  参考訳（メタデータ） (2023-06-03T11:07:56Z)
• TensoIR: Tensorial Inverse Rendering [51.57268311847087]
  テンソルIRはテンソル分解とニューラルフィールドに基づく新しい逆レンダリング手法である。 TensoRFは、放射場モデリングのための最先端のアプローチである。
  論文  参考訳（メタデータ） (2023-04-24T21:39:13Z)
• 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)
• Towards High Fidelity Monocular Face Reconstruction with Rich Reflectance using Self-supervised Learning and Ray Tracing [49.759478460828504]
  ディープニューラルネットワークエンコーダと異なるレンダリングを組み合わせた手法が、幾何学、照明、反射の非常に高速な単分子再構成の道を開いた。 古典的な最適化ベースのフレームワーク内での単眼顔再構築のためにレイトレースが導入されました。 一般シーンにおける復元品質と堅牢性を大幅に向上させる新しい手法を提案します。
  論文  参考訳（メタデータ） (2021-03-29T08:58:10Z)
• 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)
• Deep Bilateral Retinex for Low-Light Image Enhancement [96.15991198417552]
  低照度画像は、低コントラスト、色歪み、測定ノイズによる視界の低下に悩まされる。 本稿では,低照度画像強調のための深層学習手法を提案する。 提案手法は最先端の手法と非常に競合し, 極めて低照度で撮影した画像の処理において, 他に比べて大きな優位性を有する。
  論文  参考訳（メタデータ） (2020-07-04T06:26:44Z)
• Low-light Image Enhancement Using the Cell Vibration Model [12.400040803969501]
  低い光は、画像の品質を低下させ、視覚的なタスクの失敗を引き起こす可能性が非常に高い。 そこで本研究では,新しい低照度画像の輝度向上手法を提案する。 実験の結果,提案アルゴリズムは9つの最先端手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-06-03T13:39:10Z)
• 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)

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。