論文の概要: Inhomogeneous illumination image enhancement under ex-tremely low visibility condition
- arxiv url: http://arxiv.org/abs/2404.17503v2
- Date: Tue, 10 Sep 2024 02:32:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-11 23:13:57.699661
- Title: Inhomogeneous illumination image enhancement under ex-tremely low visibility condition
- Title（参考訳）: 極低視認性条件下における不均一照明画像強調
- Authors: Libang Chen, Jinyan Lin, Qihang Bian, Yikun Liu, Jianying Zhou,
- Abstract要約: 濃霧を通した画像は、物体の検出や認識の曖昧化といったアプリケーションに不可欠な視覚情報を欠いているため、従来の画像処理手法を妨げている。
本稿では,構造微分・積分フィルタ(F)に基づく背景照明を適応的にフィルタし,信号情報のみを向上させる手法を提案する。
提案手法は, 極めて低視認性条件下で信号の明瞭度を著しく向上し, 既存の技術よりも優れており, 深部霧画像への応用に大きく貢献することを示した。
- 参考スコア（独自算出の注目度）: 3.534798835599242
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Imaging through dense fog presents unique challenges, with essential visual information crucial for applications like object detection and recognition obscured, thereby hindering conventional image processing methods. Despite improvements through neural network-based approaches, these techniques falter under extremely low visibility conditions exacerbated by inhomogeneous illumination, which degrades deep learning performance due to inconsistent signal intensities. We introduce in this paper a novel method that adaptively filters background illumination based on Structural Differential and Integral Filtering (SDIF) to enhance only vital signal information. The grayscale banding is eliminated by incorporating a visual optimization strategy based on image gradients. Maximum Histogram Equalization (MHE) is used to achieve high contrast while maintaining fidelity to the original content. We evaluated our algorithm using data collected from both a fog chamber and outdoor environments, and performed comparative analyses with existing methods. Our findings demonstrate that our proposed method significantly enhances signal clarity under extremely low visibility conditions and out-performs existing techniques, offering substantial improvements for deep fog imaging applications.
- Abstract（参考訳）: 濃霧を通した画像は、物体の検出や認識の曖昧化といったアプリケーションに不可欠な視覚情報を欠いているため、従来の画像処理手法を妨げている。
ニューラルネットワークベースのアプローチによる改善にもかかわらず、これらの手法は、不均一な信号強度によってディープラーニング性能が低下する不均一照明により、非常に低い可視性条件下でファルターする。
本稿では,SDIF(Structure Differential and Integral Filtering)に基づく背景照明を適応的にフィルタし,信号情報のみを向上させる手法を提案する。
画像勾配に基づく視覚的最適化戦略を取り入れることで、グレースケールのバンドリングを解消する。
最大ヒストグラム等化(MHE)は、原内容への忠実さを維持しつつ高いコントラストを達成するために用いられる。
フォグチャンバーと屋外環境の両方から収集したデータを用いてアルゴリズムの評価を行い,既存手法との比較分析を行った。
提案手法は, 極めて低視認性条件下で信号の明瞭度を著しく向上し, 既存の技術より優れており, 深部フォグイメージングにはかなり改善されている。
関連論文リスト
- Leveraging Content and Context Cues for Low-Light Image Enhancement [25.97198463881292]
低照度条件はマシン認知に悪影響を及ぼし、現実のコンピュータビジョンシステムの性能を制限する。
本稿では、CLIPモデルを利用して、画像の先行と意味的ガイダンスの取得により、既存のゼロ参照低照度化を改善することを提案する。
提案手法は,画像のコントラストと色調の改善,背景背景の識別の改善に有効であることを示す。
論文 参考訳（メタデータ） (2024-12-10T17:32:09Z) - CodeEnhance: A Codebook-Driven Approach for Low-Light Image Enhancement [97.95330185793358]
低照度画像強調(LLIE)は、低照度画像を改善することを目的としている。
既存の手法では、様々な明るさ劣化からの回復の不確実性と、テクスチャと色情報の喪失という2つの課題に直面している。
我々は、量子化された先行値と画像の精細化を利用して、新しいエンハンスメント手法、CodeEnhanceを提案する。
論文 参考訳（メタデータ） (2024-04-08T07:34:39Z) - Latent Feature-Guided Diffusion Models for Shadow Removal [50.02857194218859]
本稿では,拡散過程における影領域の詳細を段階的に洗練する,有望なアプローチとして拡散モデルの利用を提案する。
シャドウフリー画像の特徴を継承する学習された潜在特徴空間を条件付けすることで,この処理を改善する。
AISTDデータセット上でRMSEを13%向上させる手法の有効性を示す。
論文 参考訳（メタデータ） (2023-12-04T18:59:55Z) - Improving Lens Flare Removal with General Purpose Pipeline and Multiple
Light Sources Recovery [69.71080926778413]
フレアアーティファクトは、画像の視覚的品質と下流のコンピュータビジョンタスクに影響を与える。
現在の方法では、画像信号処理パイプラインにおける自動露光やトーンマッピングは考慮されていない。
本稿では、ISPを再検討し、より信頼性の高い光源回収戦略を設計することで、レンズフレア除去性能を向上させるソリューションを提案する。
論文 参考訳（メタデータ） (2023-08-31T04:58:17Z) - Enhancing Low-Light Images Using Infrared-Encoded Images [81.8710581927427]
従来の芸術は、主にピクセルワイド・ロスを用いて可視光スペクトルで捉えた低照度画像に焦点を当てていた。
我々は,赤外線カットオフフィルタを除去することにより,低照度環境下で撮影された画像の可視性を高める新しい手法を提案する。
論文 参考訳（メタデータ） (2023-07-09T08:29:19Z) - Reflectance-Guided, Contrast-Accumulated Histogram Equalization [31.060143365318623]
そこで本研究では,輝度向上のためのデータ依存要求に適応するヒストグラム等化法を提案する。
この方法は、画像コンテキストによって提供される空間情報を、識別的ヒストグラム等化のための密度推定に組み込む。
論文 参考訳（メタデータ） (2022-09-14T04:14:30Z) - Improving Aerial Instance Segmentation in the Dark with Self-Supervised
Low Light Enhancement [6.500738558466833]
空中画像の低照度条件は、視覚ベースのアプリケーションの性能に悪影響を及ぼす。
自己監督型で低照度画像を高めることができる新しい手法を提案する。
GANを用いた新しい低照度航空データセットも提案する。
論文 参考訳（メタデータ） (2021-02-10T12:24:40Z) - 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) - 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。