Fugu-MT 論文翻訳(概要): RESVMUNetX: A Low-Light Enhancement Network Based on VMamba

論文の概要: RESVMUNetX: A Low-Light Enhancement Network Based on VMamba

arxiv url: http://arxiv.org/abs/2407.09553v1
Date: Fri, 28 Jun 2024 08:21:49 GMT
ステータス: 処理完了
システム内更新日: 2024-07-22 13:08:55.954562
Title: RESVMUNetX: A Low-Light Enhancement Network Based on VMamba
Title（参考訳）: RESVMUNetX: VMambaをベースとした低照度拡張ネットワーク
Authors: Shuang Wang, Qingchuan Tao, Zhenming Tang,
Abstract要約: ResVMUNetXは明るさを高め、構造の詳細を復元し、低照度画像のノイズを取り除く。毎秒70フレームまでのリアルタイム処理速度を実現している。これにより、低照度画像の高精細化と、実用的でリアルタイムな応用の可能性を確認することができる。
参考スコア（独自算出の注目度）: 3.1121020391193777
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This study presents ResVMUNetX, a novel image enhancement network for low-light conditions, addressing the limitations of existing deep learning methods in capturing long-range image information. Leveraging error regression and an efficient VMamba architecture, ResVMUNetX enhances brightness, recovers structural details, and removes noise through a two-step process involving direct pixel addition and a specialized Denoise CNN module. Demonstrating superior performance on the LOL dataset, ResVMUNetX significantly improves image clarity and quality with reduced computational demands, achieving real-time processing speeds of up to 70 frames per second. This confirms its effectiveness in enhancing low-light images and its potential for practical, real-time applications.
Abstract（参考訳）: 本研究では、低照度環境のための新しい画像強調ネットワークであるResVMUNetXについて、長距離画像情報の取得における既存のディープラーニング手法の限界に対処する。 ResVMUNetXは、エラーレグレッションと効率的なVMambaアーキテクチャを活用し、輝度を高め、構造の詳細を復元し、直接ピクセルの追加と特殊なDenoise CNNモジュールを含む2段階のプロセスを通してノイズを取り除く。 LOLデータセット上での優れたパフォーマンスを示すために、ResVMUNetXは、計算要求を減らし、画像の明瞭さと品質を著しく改善し、毎秒70フレームのリアルタイム処理速度を実現する。これにより、低照度画像の高精細化と、実用的でリアルタイムな応用の可能性を確認することができる。

関連論文リスト

RSEND: Retinex-based Squeeze and Excitation Network with Dark Region Detection for Efficient Low Light Image Enhancement [1.7356500114422735]
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。
論文参考訳（メタデータ） (2024-06-14T01:36:52Z)
DARK: Denoising, Amplification, Restoration Kit [0.7670170505111058]
本稿では,低照度条件下での画像強調のための軽量な計算フレームワークを提案する。我々のモデルは軽量に設計されており、標準のコンシューマハードウェア上でのリアルタイムアプリケーションに対する低計算需要と適合性を保証する。
論文参考訳（メタデータ） (2024-05-21T16:01:13Z)
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)
Binarized Low-light Raw Video Enhancement [49.65466843856074]
ディープニューラルネットワークは、低照度生ビデオの強化において優れたパフォーマンスを実現している。本稿では,低照度生ビデオエンハンスメントに超コンパクトなバイナリニューラルネットワーク(BNN)を適用する可能性について検討する。
論文参考訳（メタデータ） (2024-03-29T02:55:07Z)
DarkShot: Lighting Dark Images with Low-Compute and High-Quality [11.256790804961563]
本稿では,従来のSOTA(State-of-the-art)手法を低照度拡張タスクで上回る軽量ネットワークを提案する。我々のモデルは、SOTAの復元品質を維持しながら、最小限の計算でUHD 4K解像度画像を復元することができる。
論文参考訳（メタデータ） (2023-12-28T03:26:50Z)
DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文参考訳（メタデータ） (2023-12-12T06:07:21Z)
Enhancing Low-light Light Field Images with A Deep Compensation Unfolding Network [52.77569396659629]
本稿では,低光環境下で撮像した光場(LF)画像の復元に,DCUNet(Deep compensation network openfolding)を提案する。このフレームワークは、中間拡張結果を使用して照明マップを推定し、展開プロセスで新しい拡張結果を生成する。本稿では,LF画像の特徴を適切に活用するために,擬似明示的特徴相互作用モジュールを提案する。
論文参考訳（メタデータ） (2023-08-10T07:53:06Z)
Wide & deep learning for spatial & intensity adaptive image restoration [16.340992967330603]
本稿では,広義の多フレーム画像復元ネットワーク(DparNet)を提案する。劣化前のパラメータ行列は、劣化した画像から直接学習される。 DparNetの広範かつ深いアーキテクチャにより、学習したパラメータは最終的な復元結果を直接修正できる。
論文参考訳（メタデータ） (2023-05-30T03:24:09Z)
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)
Real-time Non-line-of-sight Imaging with Two-step Deep Remapping [0.0]
非視線(NLOS)イメージングは、間接光を考慮に入れます。ほとんどのソリューションは過渡走査プロセスを使用し、続いてNLOSシーンを再構築するためのバックプロジェクションベースのアルゴリズムが続く。ここでは、上記の欠陥に対処する新しいNLOSソリューションを提案し、検出装置と再構成アルゴリズムの両方に革新をもたらす。
論文参考訳（メタデータ） (2021-01-26T00:08:54Z)
Attention Based Real Image Restoration [48.933507352496726]
深層畳み込みニューラルネットワークは、合成劣化を含む画像に対してより良い性能を発揮する。本稿では,新しい1段ブラインド実画像復元ネットワーク(R$2$Net)を提案する。
論文参考訳（メタデータ） (2020-04-26T04:21:49Z)

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。