論文の概要: HDR Imaging for Dynamic Scenes with Events

• arxiv url: http://arxiv.org/abs/2404.03210v1
• Date: Thu, 4 Apr 2024 05:33:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-05 15:43:35.625443
• Title: HDR Imaging for Dynamic Scenes with Events
• Title（参考訳）: イベントを伴う動的シーンのHDRイメージング
• Authors: Li Xiaopeng, Zeng Zhaoyuan, Fan Cien, Zhao Chen, Deng Lei, Yu Lei,
• Abstract要約: 本稿では,実世界の動的シナリオにおけるHDRI性能を一般化する,自己教師付き学習パラダイムにおけるイベントベースのHDRIフレームワークを提案する。 ぼやけたLDR画像から鋭いLDR画像へのクロスドメイン変換を学習することにより、自己教師付き学習戦略を実行する。 提案手法の有効性を評価するため,大規模合成および実世界のデータセットを構築した。
• 参考スコア（独自算出の注目度）: 2.750189317612375
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High dynamic range imaging (HDRI) for real-world dynamic scenes is challenging because moving objects may lead to hybrid degradation of low dynamic range and motion blur. Existing event-based approaches only focus on a separate task, while cascading HDRI and motion deblurring would lead to sub-optimal solutions, and unavailable ground-truth sharp HDR images aggravate the predicament. To address these challenges, we propose an Event-based HDRI framework within a Self-supervised learning paradigm, i.e., Self-EHDRI, which generalizes HDRI performance in real-world dynamic scenarios. Specifically, a self-supervised learning strategy is carried out by learning cross-domain conversions from blurry LDR images to sharp LDR images, which enables sharp HDR images to be accessible in the intermediate process even though ground-truth sharp HDR images are missing. Then, we formulate the event-based HDRI and motion deblurring model and conduct a unified network to recover the intermediate sharp HDR results, where both the high dynamic range and high temporal resolution of events are leveraged simultaneously for compensation. We construct large-scale synthetic and real-world datasets to evaluate the effectiveness of our method. Comprehensive experiments demonstrate that the proposed Self-EHDRI outperforms state-of-the-art approaches by a large margin. The codes, datasets, and results are available at https://lxp-whu.github.io/Self-EHDRI.
• Abstract（参考訳）: 高ダイナミックレンジイメージング(HDRI)は、移動物体が低ダイナミックレンジと運動のぼかしのハイブリッド劣化を引き起こす可能性があるため、現実のダイナミックシーンにおいて困難である。 既存のイベントベースのアプローチは、別のタスクにのみ焦点をあてるが、HDRIとモーションデブロワーリングをカスケードすると、準最適解となり、未使用の地味な鋭いHDR画像は、プレディケーションを増大させる。 これらの課題に対処するため、実世界の動的シナリオにおいてHDRIのパフォーマンスを一般化するセルフ教師付き学習パラダイム(Self-EHDRI)の中で、イベントベースのHDRIフレームワークを提案する。 具体的には, 鮮明なLDR画像から鋭いLDR画像へのクロスドメイン変換を学習することにより, 強烈なHDR画像が欠落した場合でも, 鋭いHDR画像が中間プロセスでアクセスできるようにする。 そして、イベントベースHDRIとモーションデブロアリングモデルを定式化し、中間シャープなHDR結果を復元する統一ネットワークを構築し、高いダイナミックレンジと高時間分解能の両方を同時に利用して補償を行う。 提案手法の有効性を評価するため,大規模合成および実世界のデータセットを構築した。 総合的な実験により、提案されたSelf-EHDRIは最先端のアプローチよりも大きなマージンで優れていることが示された。 コード、データセット、結果はhttps://lxp-whu.github.io/Self-EHDRIで公開されている。

関連論文リスト

• HistoHDR-Net: Histogram Equalization for Single LDR to HDR Image Translation [12.45632443397018]
  高ダイナミックレンジ(HDR)イメージングは、現実世界のシーンの高画質と明快さを再現することを目的としている。 この文献は、低ダイナミックレンジ(Low Dynamic Range, LDR)からのHDR画像再構成のための様々なデータ駆動手法を提供している。 これらのアプローチの共通する制限は、再構成されたHDR画像の領域における詳細が欠けていることである。 細部を復元するためのシンプルで効果的な手法Histo-Netを提案する。
  論文  参考訳（メタデータ） (2024-02-08T20:14:46Z)
• Towards High-quality HDR Deghosting with Conditional Diffusion Models [88.83729417524823]
  高ダイナミックレンジ(LDR)画像は、既存のディープニューラルネットワーク(DNN)技術により、複数の低ダイナミックレンジ(LDR)画像から復元することができる。 DNNは、LDR画像が飽和度と大きな動きを持つ場合、ゴーストアーティファクトを生成する。 拡散モデルの条件としてLDR特徴を利用する画像生成としてHDRデゴースト問題を定式化する。
  論文  参考訳（メタデータ） (2023-11-02T01:53:55Z)
• Self-Supervised High Dynamic Range Imaging with Multi-Exposure Images in Dynamic Scenes [58.66427721308464]
  Selfは、訓練中にダイナミックなマルチ露光画像のみを必要とする自己教師型再構成手法である。 Selfは最先端の自己管理手法に対して優れた結果を出し、教師付き手法に匹敵するパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-10-03T07:10:49Z)
• SMAE: Few-shot Learning for HDR Deghosting with Saturation-Aware Masked Autoencoders [97.64072440883392]
  そこで本研究では,SSHDRと呼ばれる2段階の訓練を通した短距離HDRイメージングを実現するための,新しい半教師付きアプローチを提案する。 以前の方法とは異なり、コンテンツを直接回復し、ゴーストを同時に除去することは、最適に達成することが難しい。 実験により、SSHDRは異なるデータセットの内外における定量的かつ定性的に最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-04-14T03:42:51Z)
• GlowGAN: Unsupervised Learning of HDR Images from LDR Images in the Wild [74.52723408793648]
  そこで本研究では,HDR画像の生成モデルを構築するための第1の手法について述べる。 鍵となる考え方は、GAN(Generative Adversarial Network)を訓練して、様々な露光下でLDRに投影された場合、実際のLDR画像と区別できないHDR画像を生成することである。 実験の結果,GlowGANはランドスケープ,雷,窓など多くの難題において,光現実的HDR画像を合成できることがわかった。
  論文  参考訳（メタデータ） (2022-11-22T15:42:08Z)
• Self-supervised HDR Imaging from Motion and Exposure Cues [14.57046548797279]
  本稿では,学習可能なHDR推定のための新たな自己教師型アプローチを提案する。 実験の結果,提案手法を用いて訓練したHDRモデルは,全監督下で訓練したモデルと性能の競争力を発揮することがわかった。
  論文  参考訳（メタデータ） (2022-03-23T10:22:03Z)
• HDR-cGAN: Single LDR to HDR Image Translation using Conditional GAN [24.299931323012757]
  低ダイナミックレンジ(LDR)カメラは、現実世界のシーンの広いダイナミックレンジを表現できない。 本研究では,HDR画像の再構成を行いながら,飽和領域の詳細を復元する深層学習手法を提案する。 本稿では,HDR-REALデータセットとHDR-SYNTHデータセットに対して,エンドツーエンドでトレーニングされた新しい条件付きGAN(cGAN)ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-04T18:50:35Z)
• NTIRE 2021 Challenge on High Dynamic Range Imaging: Dataset, Methods and Results [56.932867490888015]
  本稿では,CVPR 2021と共同で開催されているニュートレンド・イメージ・リカバリ・エンハンスメント(NTIRE)ワークショップ(New Trends in Image Restoration and Enhancement, NTIRE)におけるハイダイナミックレンジイメージングの課題について概説する。 この課題は、1つまたは複数の低ダイナミックレンジ(LDR)観測からHDR画像を推定することを目的としている。
  論文  参考訳（メタデータ） (2021-06-02T19:45:16Z)
• HDR-GAN: HDR Image Reconstruction from Multi-Exposed LDR Images with Large Motions [62.44802076971331]
  マルチ露光LDR画像からHDR画像を合成するための新しいGANモデルHDR-GANを提案する。 本手法は,敵対学習を取り入れることで,欠落したコンテンツのある領域に忠実な情報を生成することができる。
  論文  参考訳（メタデータ） (2020-07-03T11:42:35Z)

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。