論文の概要: RSEND: Retinex-based Squeeze and Excitation Network with Dark Region Detection for Efficient Low Light Image Enhancement
- arxiv url: http://arxiv.org/abs/2406.09656v1
- Date: Fri, 14 Jun 2024 01:36:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-17 15:23:26.443809
- Title: RSEND: Retinex-based Squeeze and Excitation Network with Dark Region Detection for Efficient Low Light Image Enhancement
- Title（参考訳）: RSEND:高能率低光画像強調のための暗黒領域検出型レチネックスベーススクイーズ・エキサイティングネットワーク
- Authors: Jingcheng Li, Ye Qiao, Haocheng Xu, Sitao Huang,
- Abstract要約: より正確で簡潔で一段階のRetinex理論に基づくフレームワークRSENDを提案する。
RSENDはまず、低照度画像を照明マップと反射マップに分割し、照明マップの重要な詳細をキャプチャして光強調を行う。
我々の効率の良いRetinexモデルは、他のCNNベースモデルよりも大幅に優れており、異なるデータセットで0.44dBから4.2dBまでのPSNRの改善を実現している。
- 参考スコア（独自算出の注目度）: 1.7356500114422735
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Images captured under low-light scenarios often suffer from low quality. Previous CNN-based deep learning methods often involve using Retinex theory. Nevertheless, most of them cannot perform well in more complicated datasets like LOL-v2 while consuming too much computational resources. Besides, some of these methods require sophisticated training at different stages, making the procedure even more time-consuming and tedious. In this paper, we propose a more accurate, concise, and one-stage Retinex theory based framework, RSEND. RSEND first divides the low-light image into the illumination map and reflectance map, then captures the important details in the illumination map and performs light enhancement. After this step, it refines the enhanced gray-scale image and does element-wise matrix multiplication with the reflectance map. By denoising the output it has from the previous step, it obtains the final result. In all the steps, RSEND utilizes Squeeze and Excitation network to better capture the details. Comprehensive quantitative and qualitative experiments show that our Efficient Retinex model significantly outperforms other CNN-based models, achieving a PSNR improvement ranging from 0.44 dB to 4.2 dB in different datasets and even outperforms transformer-based models in the LOL-v2-real dataset.
- Abstract（参考訳）: 低照度シナリオ下で撮影された画像は、しばしば品質の低下に悩まされる。
従来のCNNベースのディープラーニング手法は、しばしばRetinex理論を使用する。
それでも、LOL-v2のような複雑なデータセットでは、多くの計算リソースを消費しながらうまく機能することができない。
さらに、これらの手法のいくつかは異なる段階の高度な訓練を必要とするため、手順はさらに時間がかかり、面倒である。
本稿では,より正確で簡潔なRetinex理論に基づくフレームワークRSENDを提案する。
RSENDはまず、低照度画像を照明マップと反射マップに分割し、照明マップの重要な詳細をキャプチャして光強調を行う。
このステップの後、拡張グレースケールの画像を洗練し、リフレクタンスマップと要素ワイズ行列乗算を行う。
前のステップから出力を復調することで、最終的な結果が得られる。
すべてのステップにおいて、RSENDはSqueezeとExcitationネットワークを使用して詳細をよりよくキャプチャする。
総合的な定量的および定性的実験により、我々の効率の良いRetinexモデルは他のCNNベースモデルよりも優れており、異なるデータセットで0.44dBから4.2dBの範囲でPSNRの改善を実現し、LOL-v2-realデータセットでトランスフォーマーベースモデルよりも優れています。
関連論文リスト
- 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) - Deep Richardson-Lucy Deconvolution for Low-Light Image Deblurring [48.80983873199214]
我々は,飽和画素を学習潜時マップでモデル化するデータ駆動型手法を開発した。
新しいモデルに基づいて、非盲検除色タスクを最大後部(MAP)問題に定式化することができる。
増幅されたアーティファクトを使わずに高品質な劣化画像を推定するために,我々は事前推定ネットワークを構築した。
論文 参考訳（メタデータ） (2023-08-10T12:53:30Z) - Retinexformer: One-stage Retinex-based Transformer for Low-light Image
Enhancement [96.09255345336639]
低照度画像の高精細化のために,原理化された1段Retinex-based Framework (ORF) を定式化する。
ORFはまず照明情報を推定し、低照度画像を照らす。
我々のアルゴリズムであるRetinexformerは13のベンチマークで最先端の手法を大幅に上回っている。
論文 参考訳（メタデータ） (2023-03-12T16:54:08Z) - Ultra-High-Definition Low-Light Image Enhancement: A Benchmark and
Transformer-Based Method [51.30748775681917]
低照度画像強調(LLIE)の課題を考察し,4K解像度と8K解像度の画像からなる大規模データベースを導入する。
我々は、系統的なベンチマーク研究を行い、現在のLLIEアルゴリズムと比較する。
第2のコントリビューションとして,変換器をベースとした低照度化手法であるLLFormerを紹介する。
論文 参考訳（メタデータ） (2022-12-22T09:05:07Z) - NoiSER: Noise is All You Need for Enhancing Low-Light Images Without
Task-Related Data [103.04999391668753]
タスク関連のトレーニングデータなしで、低照度画像を拡張できることが示される。
技術的には、アンダーラインノイズと呼ばれる新しい、魔法的で、効果的で効率的な方法を提案する。
我々のNoiSERは、量的および視覚的な結果の観点から、現在のタスク関連データに基づくLLIEモデルと非常に競合しています。
論文 参考訳（メタデータ） (2022-11-09T06:18:18Z) - Retinex Image Enhancement Based on Sequential Decomposition With a
Plug-and-Play Framework [16.579397398441102]
画像強調とノイズ除去を同時に行うために,Retinex理論に基づくプラグイン・アンド・プレイ・フレームワークを設計する。
我々のフレームワークは、画像の強調とデノーミングの両面で最先端の手法に勝っている。
論文 参考訳（メタデータ） (2022-10-11T13:29:10Z) - KinD-LCE Curve Estimation And Retinex Fusion On Low-Light Image [7.280719886684936]
本稿では,低照度化のためのアルゴリズムを提案する。
KinD-LCEは、Retinex分解画像の照明マップを強化するために光曲線推定モジュールを使用する。
照明マップと反射マップ融合モジュールも提案され、画像の詳細を復元し、詳細損失を低減した。
論文 参考訳（メタデータ） (2022-07-19T11:49:21Z) - DA-DRN: Degradation-Aware Deep Retinex Network for Low-Light Image
Enhancement [14.75902042351609]
低照度画像強調のための劣化対応深部網膜ネットワーク(DA-DRN)を提案する。
Retinex Theoryに基づいて、我々のモデルにおける分解ネットは、低照度画像を反射率と照明マップに分解することができる。
提案手法は, 良好なルバスト性および一般化によって有望な効果を発揮することを示すため, 広範囲な実験を行った。
論文 参考訳（メタデータ） (2021-10-05T03:53:52Z) - R2RNet: Low-light Image Enhancement via Real-low to Real-normal Network [7.755223662467257]
本稿ではR2RNetと呼ばれる低照度画像強調のための新しいReal-low to Real-normal Networkを提案する。
合成画像で訓練された他のほとんどの方法とは異なり、我々は最初の大規模実世界ペアロー/ノーマルライト画像データセットを収集する。
提案手法はコントラストを適切に改善し,ノイズを同時に抑制することができる。
論文 参考訳（メタデータ） (2021-06-28T09:33:13Z) - 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。