論文の概要: Multi-Scale Denoising in the Feature Space for Low-Light Instance Segmentation
- arxiv url: http://arxiv.org/abs/2402.18307v2
- Date: Tue, 10 Sep 2024 08:50:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-11 23:25:16.605151
- Title: Multi-Scale Denoising in the Feature Space for Low-Light Instance Segmentation
- Title(参考訳): 低照度インスタンスセグメンテーションのための特徴空間におけるマルチスケールDenoising
- Authors: Joanne Lin, Nantheera Anantrasirichai, David Bull,
- Abstract要約: 低照度画像のインスタンスセグメンテーションはほとんど探索されていない。
提案手法は特徴抽出器に重み付けされた非局所ブロック(wNLB)を実装する。
実世界の騒音特性に対するネットワークの適応性を高めるため,各層に学習可能な重みを導入する。
- 参考スコア(独自算出の注目度): 2.642212767247493
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Instance segmentation for low-light imagery remains largely unexplored due to the challenges imposed by such conditions, for example shot noise due to low photon count, color distortions and reduced contrast. In this paper, we propose an end-to-end solution to address this challenging task. Our proposed method implements weighted non-local blocks (wNLB) in the feature extractor. This integration enables an inherent denoising process at the feature level. As a result, our method eliminates the need for aligned ground truth images during training, thus supporting training on real-world low-light datasets. We introduce additional learnable weights at each layer in order to enhance the network's adaptability to real-world noise characteristics, which affect different feature scales in different ways. Experimental results on several object detectors show that the proposed method outperforms the pretrained networks with an Average Precision (AP) improvement of at least +7.6, with the introduction of wNLB further enhancing AP by upto +1.3.
- Abstract(参考訳): 低光度画像のインスタンスセグメンテーションは、例えば、低光子数、色歪み、コントラストの減少によるショットノイズなど、そのような条件によって課される課題により、ほとんど未解明のままである。
本稿では,この課題に対処するエンド・ツー・エンドのソリューションを提案する。
提案手法は特徴抽出器に重み付けされた非局所ブロック(wNLB)を実装する。
この統合により、機能レベルで固有のデノベーションプロセスが可能になる。
その結果,本手法は,実世界の低照度データセットのトレーニングを支援するため,トレーニング中の地上の真実画像の整合性を排除した。
ネットワークの現実的なノイズ特性への適応性を高めるために,各層に学習可能な重みを導入する。
いくつかの物体検出器による実験結果から、提案手法は、平均精度(AP)が少なくとも7.6以上向上し、さらに最大+1.3までAPを向上することを示した。
関連論文リスト
- Pan-denoising: Guided Hyperspectral Image Denoising via Weighted Represent Coefficient Total Variation [20.240211073097758]
本稿では,高スペクトル画像(HSI)デノナイズのための新しいパラダイムを紹介し,これをテクスタイトパンデノナイズと呼ぶ。
パンクロマトニック(PAN)画像は、HSIと同様の構造やテクスチャを撮影するが、ノイズが少ないため、パンデノイングは従来のHSI復調法の内部情報モデリング以上の基盤構造や詳細を明らかにする可能性を秘めている。
合成および実世界のデータセットの実験では、PWRCTVはメトリクスと視覚的品質の点でいくつかの最先端の手法より優れていることが示されている。
論文 参考訳(メタデータ) (2024-07-08T16:05:56Z) - NIR-Assisted Image Denoising: A Selective Fusion Approach and A Real-World Benchmark Dataset [53.79524776100983]
近赤外(NIR)画像を活用して、視認可能なRGB画像の復調を支援することで、この問題に対処する可能性を示している。
既存の作品では、NIR情報を効果的に活用して現実のイメージを飾ることに苦戦している。
先進デノナイジングネットワークにプラグイン・アンド・プレイ可能な効率的な選択核融合モジュール(SFM)を提案する。
論文 参考訳(メタデータ) (2024-04-12T14:54:26Z) - DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image
Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。
従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。
提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文 参考訳(メタデータ) (2023-12-12T06:07:21Z) - Self-Reference Deep Adaptive Curve Estimation for Low-Light Image
Enhancement [7.253235412867934]
自己参照深部適応曲線推定(Self-DACE)と呼ばれる2段階低照度画像強調手法を提案する。
最初の段階では、直感的で、軽量で、高速で、教師なしの輝度向上アルゴリズムを提示する。
また,自然画像の色,構造,忠実度を保存するために,物理モデルを単純化した新たな損失関数を提案する。
論文 参考訳(メタデータ) (2023-08-16T07:57:35Z) - Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。
これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。
まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。
次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
論文 参考訳(メタデータ) (2023-05-17T13:56:48Z) - Instance Segmentation in the Dark [43.85818645776587]
暗黒領域のインスタンスセグメンテーションを深く見て、低照度推論精度を大幅に向上させるテクニックをいくつか導入する。
本稿では,適応重み付きダウンサンプリング層,スムーズな指向性畳み込みブロック,外乱抑制学習に依存する新しい学習手法を提案する。
実世界の低照度インスタンスセグメンテーションデータセットを,2万組以上の低照度/通常照度画像と,インスタンスレベルのピクセル単位のアノテーションでキャプチャする。
論文 参考訳(メタデータ) (2023-04-27T16:02:29Z) - Seeing Through The Noisy Dark: Toward Real-world Low-Light Image
Enhancement and Denoising [125.56062454927755]
現実の低照度環境は通常、光やハードウェアの限界が不足しているため、視界が低く、騒音が重い。
我々は、RLED-Net(Real-world Low-light Enhancement & Denoising Network)と呼ばれる新しいエンドツーエンド手法を提案する。
論文 参考訳(メタデータ) (2022-10-02T14:57:23Z) - Multi-stage image denoising with the wavelet transform [125.2251438120701]
深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。
動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
論文 参考訳(メタデータ) (2022-09-26T03:28:23Z) - Adaptive Unfolding Total Variation Network for Low-Light Image
Enhancement [6.531546527140475]
sRGB空間における既存の拡張アルゴリズムのほとんどは、低可視性問題にのみ焦点をあてるか、仮説的雑音レベルの下でノイズを抑圧する。
本稿では,実際のsRGB低照度画像から雑音レベルを近似する適応展開全変動ネットワーク(UTVNet)を提案する。
実世界の低照度画像に対する実験は、最先端の手法よりもUTVNetの優れた性能を明らかに示している。
論文 参考訳(メタデータ) (2021-10-03T11:22:17Z) - Simultaneous Denoising and Dereverberation Using Deep Embedding Features [64.58693911070228]
ディープ埋め込み特徴を用いた同時発声・発声同時学習法を提案する。
ノイズ発生段階では、DCネットワークを利用してノイズのないディープ埋込み特性を抽出する。
残響段階では、教師なしのK平均クラスタリングアルゴリズムの代わりに、別のニューラルネットワークを用いて無響音声を推定する。
論文 参考訳(メタデータ) (2020-04-06T06:34:01Z)
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。