論文の概要: Generative Quanta Color Imaging

• arxiv url: http://arxiv.org/abs/2403.19066v1
• Date: Thu, 28 Mar 2024 00:11:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-29 17:42:20.358937
• Title: Generative Quanta Color Imaging
• Title（参考訳）: 生成量子カラーイメージング
• Authors: Vishal Purohit, Junjie Luo, Yiheng Chi, Qi Guo, Stanley H. Chan, Qiang Qiu,
• Abstract要約: 本稿では,単光子カメラの単一バイナリフレームからカラー画像を生成する可能性について検討する。 我々の論文の中核的な革新は、ニューラル常微分方程式(ニューラルODE)の下でフレーム化された露光合成モデルである。 このイノベーションは、着色剤が取り掛かるバイナリイメージに一貫した露光を保証し、着色性が顕著に向上する。
• 参考スコア（独自算出の注目度）: 27.81143462221474
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The astonishing development of single-photon cameras has created an unprecedented opportunity for scientific and industrial imaging. However, the high data throughput generated by these 1-bit sensors creates a significant bottleneck for low-power applications. In this paper, we explore the possibility of generating a color image from a single binary frame of a single-photon camera. We evidently find this problem being particularly difficult to standard colorization approaches due to the substantial degree of exposure variation. The core innovation of our paper is an exposure synthesis model framed under a neural ordinary differential equation (Neural ODE) that allows us to generate a continuum of exposures from a single observation. This innovation ensures consistent exposure in binary images that colorizers take on, resulting in notably enhanced colorization. We demonstrate applications of the method in single-image and burst colorization and show superior generative performance over baselines. Project website can be found at https://vishal-s-p.github.io/projects/2023/generative_quanta_color.html.
• Abstract（参考訳）: 単光子カメラが驚くべき発展を遂げたことは、科学と産業のイメージにとって前例のない機会となった。 しかし、これらの1ビットセンサによって生成される高いデータスループットは、低消費電力アプリケーションに重大なボトルネックをもたらす。 本稿では,単光子カメラの単一バイナリフレームからカラー画像を生成する可能性について検討する。 暴露の程度がかなり異なるため,カラー化手法の標準化が特に困難であることは明らかである。 本論文の中核的な革新は、ニューラル常微分方程式(Neural ODE)の下でフレーム化された露光合成モデルであり、単一の観測から露光の連続体を生成することができる。 このイノベーションは、着色剤が取り掛かるバイナリイメージに一貫した露光を保証し、着色性が顕著に向上する。 単画像およびバーストカラー化における本手法の適用を実証し,ベースラインよりも優れた生成性能を示す。 プロジェクトのWebサイトはhttps://vishal-s-p.github.io/projects/2023/generative_quanta_color.htmlにある。

関連論文リスト

• 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)
• Exposure Bracketing is All You Need for Unifying Image Restoration and Enhancement Tasks [50.822601495422916]
  本稿では,露光ブラケット写真を利用して画像復元と拡張作業を統合することを提案する。 実世界のペアの収集が困難であるため,まず合成ペアデータを用いてモデルを事前学習する手法を提案する。 特に,時間変調リカレントネットワーク(TMRNet)と自己教師あり適応手法を提案する。
  論文  参考訳（メタデータ） (2024-01-01T14:14:35Z)
• ITRE: Low-light Image Enhancement Based on Illumination Transmission Ratio Estimation [10.26197196078661]
  ノイズ、アーティファクト、過剰露光は、低照度画像強調の分野において重要な課題である。 モデルの起源からノイズやアーティファクトを抑圧するRetinexベースの新しい手法ITREを提案する。 広汎な実験により, 騒音抑制, アーティファクト防止, 露光量の同時制御におけるアプローチの有効性が示された。
  論文  参考訳（メタデータ） (2023-10-08T13:22:20Z)
• DARC: Distribution-Aware Re-Coloring Model for Generalizable Nucleus Segmentation [68.43628183890007]
  ドメインギャップは、異なるフォアグラウンド(核)-バックグラウンド比によっても引き起こされる可能性があると我々は主張する。 まず、異なる領域間の劇的な画像色変化を緩和する再カラー化手法を提案する。 次に,前景-背景比の変動に頑健な新しいインスタンス正規化手法を提案する。
  論文  参考訳（メタデータ） (2023-09-01T01:01:13Z)
• Inverting the Imaging Process by Learning an Implicit Camera Model [73.81635386829846]
  本稿では,ディープニューラルネットワークとしてのカメラの物理画像処理を表現した,新しい暗黙カメラモデルを提案する。 本稿では,この暗黙カメラモデルが2つの逆撮像タスクに与える影響を実演する。
  論文  参考訳（メタデータ） (2023-04-25T11:55:03Z)
• SinDiffusion: Learning a Diffusion Model from a Single Natural Image [159.4285444680301]
  SinDiffusionは1つの自然な画像からパッチの内部分布を捉えるためにデノナイズ拡散モデルを利用する。 SinDiffusionは、2つのコア設計に基づいている。まず、SinDiffusionは、段階的にスケールが成長する複数のモデルではなく、1つのスケールで1つのモデルで訓練されている。 第2に,拡散ネットワークのパッチレベルの受容領域は,画像のパッチ統計を捉える上で重要かつ効果的であることを示す。
  論文  参考訳（メタデータ） (2022-11-22T18:00:03Z)
• Cross-Camera Deep Colorization [10.254243409261898]
  本稿では,カラープラスモノデュアルカメラシステムからの画像の整列と融合を行う,エンドツーエンドの畳み込みニューラルネットワークを提案する。 提案手法は,約10dBPSNRゲインの大幅な改善を継続的に達成する。
  論文  参考訳（メタデータ） (2022-08-26T11:02:14Z)
• Astronomical Image Colorization and upscaling with Generative Adversarial Networks [0.0]
  本研究の目的は、非常に特定の画像領域、すなわち天文学的な画像に焦点をあてることにより、この問題に自動的アプローチを提供することである。 我々は、RGBとL*a*bという2つの異なる色空間における様々なモデルの使用について検討する。 このモデルは、画像に存在しない高解像度で色付けされたデータを幻覚させる視覚的に魅力的な画像を生成する。
  論文  参考訳（メタデータ） (2021-12-27T19:01:20Z)
• Low-light Image Enhancement via Breaking Down the Darkness [8.707025631892202]
  本稿では,分割・ルール原理に触発された新しい枠組みを提案する。 本稿では,RGB空間から輝度クロミナンス画像に変換することを提案する。 調整可能なノイズ抑制ネットワークは、輝度が明るくなるときにノイズを取り除くように設計されている。 強化された輝度はさらに、色マッパーが現実的な色を生成するためのガイダンスとなる。
  論文  参考訳（メタデータ） (2021-11-30T16:50:59Z)
• Guided Colorization Using Mono-Color Image Pairs [6.729108277517129]
  モノクロ画像は通常、より優れた信号対雑音比(SNR)とよりリッチなテクスチャを持つ。 モノクロ画像とカラー画像とをカラー化するモノクロ画像強調アルゴリズムを提案する。 実験結果から,本アルゴリズムはより高精細度で高精細度な色画像をモノカラー画像対から効率よく復元できることが示唆された。
  論文  参考訳（メタデータ） (2021-08-17T07:00:28Z)
• Degrade is Upgrade: Learning Degradation for Low-light Image Enhancement [52.49231695707198]
  2段階の工程で細部と色を精錬しながら、内在的な劣化と低照度画像を照らし出す。 カラー画像の定式化に触発されて,まず低照度入力からの劣化を推定し,環境照明色の歪みをシミュレーションし,そのコンテンツを精錬して拡散照明色の損失を回復した。 LOL1000データセットではPSNRで0.95dB、ExDarkデータセットでは3.18%のmAPでSOTAを上回った。
  論文  参考訳（メタデータ） (2021-03-19T04:00:27Z)

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。