論文の概要: WB LUTs: Contrastive Learning for White Balancing Lookup Tables

• arxiv url: http://arxiv.org/abs/2404.10133v1
• Date: Mon, 15 Apr 2024 20:48:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-17 18:51:25.406892
• Title: WB LUTs: Contrastive Learning for White Balancing Lookup Tables
• Title（参考訳）: WB LUTs: ホワイトバランシングルックアップテーブルのコントラスト学習
• Authors: Sai Kumar Reddy Manne, Michael Wan,
• Abstract要約: 不正確なホワイトバランス(WB)設定やAWB故障は、レンダリングされたsRGB画像の望ましくない青または赤の色合いにつながる可能性がある。 近年の手法では、撮像後のWB補正問題を画像から画像への変換タスクとして用い、低解像度で必要な色調整を学習するために深層ニューラルネットワークを訓練している。 本稿では,3D LUTのWB補正品質を25.5%向上させる,新しいハードサンプルマイニング手法による対照的な学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.340368527699536
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic white balancing (AWB), one of the first steps in an integrated signal processing (ISP) pipeline, aims to correct the color cast induced by the scene illuminant. An incorrect white balance (WB) setting or AWB failure can lead to an undesired blue or red tint in the rendered sRGB image. To address this, recent methods pose the post-capture WB correction problem as an image-to-image translation task and train deep neural networks to learn the necessary color adjustments at a lower resolution. These low resolution outputs are post-processed to generate high resolution WB corrected images, forming a bottleneck in the end-to-end run time. In this paper we present a 3D Lookup Table (LUT) based WB correction model called WB LUTs that can generate high resolution outputs in real time. We introduce a contrastive learning framework with a novel hard sample mining strategy, which improves the WB correction quality of baseline 3D LUTs by 25.5%. Experimental results demonstrate that the proposed WB LUTs perform competitively against state-of-the-art models on two benchmark datasets while being 300 times faster using 12.7 times less memory. Our model and code are available at https://github.com/skrmanne/3DLUT_sRGB_WB.
• Abstract（参考訳）: 統合信号処理(ISP)パイプラインの最初のステップの1つである自動ホワイトバランシング(AWB)は、シーン照明によって引き起こされるカラーキャストを補正することを目的としている。 不正確なホワイトバランス(WB)設定やAWB故障は、レンダリングされたsRGB画像の望ましくない青または赤の色合いにつながる可能性がある。 この問題に対処するため,近年の手法では,撮像後WB補正問題を画像から画像への変換タスクとして用い,低解像度で必要な色調整を学習するために深層ニューラルネットワークを訓練している。 これらの低解像度出力は後処理され、高解像度のWB補正画像を生成する。 本稿では,WB LUTと呼ばれる3次元ルックアップテーブル(LUT)に基づくWB補正モデルを提案する。 本稿では,3D LUTのWB補正品質を25.5%向上させる,新しいハードサンプルマイニング手法による対照的な学習フレームワークを提案する。 実験の結果、提案したWB LUTは、2つのベンチマークデータセットの最先端モデルに対して、12.7倍のメモリで300倍高速で競合することを示した。 私たちのモデルとコードはhttps://github.com/skrmanne/3DLUT_sRGB_WBで利用可能です。

関連論文リスト

• Deterministic Neural Illumination Mapping for Efficient Auto-White Balance Correction [3.441021278275805]
  オートホワイトバランス(オートホワイトバランス、Auto-white Balance、AWB)は、様々な照明シナリオにおいて正確で一貫した色補正のために、画像信号処理装置において重要な操作である。 本稿では,高解像度画像上での同等あるいは優れた性能で,少なくとも35倍高速な処理を実現する,新規で効率的なAWB補正手法を提案する。
  論文  参考訳（メタデータ） (2023-08-07T22:44:26Z)
• SepLUT: Separable Image-adaptive Lookup Tables for Real-time Image Enhancement [21.963622337032344]
  上記の制限に対処するため、SepLUT(分離画像適応ルックアップテーブル)を提案する。 具体的には、単一色変換を1Dおよび3D LUTとしてインスタンス化されたコンポーネント非依存およびコンポーネント関連サブ変換のカスケードに分離する。 このように、2つのサブ変換の能力は相互に促進され、3D LUTは色成分を混合する能力を補完する。
  論文  参考訳（メタデータ） (2022-07-18T02:27:19Z)
• Learning Weighting Map for Bit-Depth Expansion within a Rational Range [64.15915577164894]
  ビット深化(BDE)は、低ビット深化(LBD)ソースから高ビット深化(HBD)画像を表示する新興技術の1つである。 既存のBDEメソッドは、様々なBDE状況に対して統一的なソリューションを持っていない。 我々は,各画素の重みを求めるためにビット復元ネットワーク(BRNet)を設計し,補充値の比率を合理的範囲内で示す。
  論文  参考訳（メタデータ） (2022-04-26T02:27:39Z)
• Auto White-Balance Correction for Mixed-Illuminant Scenes [52.641704254001844]
  オートホワイトバランス(AWB)は、シーン照明によるカラーキャストを取り除くためにカメラハードウェアによって適用される。 本稿では,この混合照明シーンに有効なAWB手法を提案する。 本手法は従来のカメラAWBモジュールと同様,照度推定を必要としない。
  論文  参考訳（メタデータ） (2021-09-17T20:13:31Z)
• 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)
• Interactive White Balancing for Camera-Rendered Images [50.08927449718674]
  ホワイトバランス(WB)は、キャプチャされた画像を最終的な出力にレンダリングするために使用される最初のフォトフィニッシュステップの1つである。 本稿では,非線形カラーマッピング機能を直接ユーザ選択色にリンクし,インタラクティブなWB操作を可能にする新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-26T16:22:05Z)
• Deblurring by Realistic Blurring [110.54173799114785]
  本稿では,BGAN(Learning-to-blurr GAN)とDBGAN(Learning-to-DeBlur GAN)の2つのモデルを組み合わせた新しい手法を提案する。 第1のモデルであるBGANは、未ペアのシャープでぼやけた画像セットでシャープな画像をぼやかす方法を学習し、第2のモデルであるDBGANをガイドして、そのような画像を正しくデブロアする方法を学ぶ。 さらなる貢献として,多様なぼやけた画像を含むRWBIデータセットについても紹介する。
  論文  参考訳（メタデータ） (2020-04-04T05:25:15Z)
• Deep White-Balance Editing [50.08927449718674]
  カメラは、その集積信号プロセッサ(ISP)によってレンダリングされるセンサーイメージを、標準のRGB(sRGB)カラースペースエンコーディングにキャプチャする。 近年の[3]による研究では,ISPの非線形レンダリングのため,誤ったホワイトバランスでレンダリングされたsRGB画像を容易に修正できないことが示されている。 我々は,この問題を解決するために,エンドツーエンドでトレーニングしたディープニューラルネットワーク(DNN)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-04-03T03:18:42Z)

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。