論文の概要: Latent Disentanglement for Low Light Image Enhancement

• arxiv url: http://arxiv.org/abs/2408.06245v1
• Date: Mon, 12 Aug 2024 15:54:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-13 13:56:12.926528
• Title: Latent Disentanglement for Low Light Image Enhancement
• Title（参考訳）: 低照度画像強調のための潜時歪み
• Authors: Zhihao Zheng, Mooi Choo Chuah,
• Abstract要約: 低照度ビジョンタスクのための潜在ディスタングルベースエンハンスネットワーク(LDE-Net)を提案する。 潜伏不絡モジュールは、非絡合コンテンツおよび照度成分に汚損が残らないように、潜伏空間で入力画像を非絡合する。 ダウンストリームタスク(夜間UAV追跡や低照度物体検出など)に対しては、潜時非絡み合いフレームワークに基づく効果的な軽量エンハンサを開発する。
• 参考スコア（独自算出の注目度）: 4.527270266697463
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many learning-based low-light image enhancement (LLIE) algorithms are based on the Retinex theory. However, the Retinex-based decomposition techniques in such models introduce corruptions which limit their enhancement performance. In this paper, we propose a Latent Disentangle-based Enhancement Network (LDE-Net) for low light vision tasks. The latent disentanglement module disentangles the input image in latent space such that no corruption remains in the disentangled Content and Illumination components. For LLIE task, we design a Content-Aware Embedding (CAE) module that utilizes Content features to direct the enhancement of the Illumination component. For downstream tasks (e.g. nighttime UAV tracking and low-light object detection), we develop an effective light-weight enhancer based on the latent disentanglement framework. Comprehensive quantitative and qualitative experiments demonstrate that our LDE-Net significantly outperforms state-of-the-art methods on various LLIE benchmarks. In addition, the great results obtained by applying our framework on the downstream tasks also demonstrate the usefulness of our latent disentanglement design.
• Abstract（参考訳）: 多くの学習に基づく低照度画像強調(LLIE)アルゴリズムはRetinex理論に基づいている。 しかし、そのようなモデルにおけるRetinexベースの分解技術は、その強化性能を制限する汚職を導入している。 本稿では,低照度視覚タスクのためのLatent Disentangle-based Enhancement Network (LDE-Net)を提案する。 潜伏不絡モジュールは、非絡合コンテンツおよび照度成分に汚損が残らないように、潜伏空間で入力画像を非絡合する。 LLIEタスクでは、コンテンツ機能を利用してイルミネーションコンポーネントの強化を指示するContent-Aware Embedding (CAE) モジュールを設計する。 ダウンストリームタスク(例えば、夜間UAV追跡と低照度物体検出)に対しては、潜時ゆがみフレームワークに基づく効果的な軽量エンハンサを開発する。 総合的な定量的および定性的な実験により,LDE-Netは様々なLLIEベンチマークにおいて最先端の手法を大幅に上回っていることが示された。 さらに、下流タスクに我々のフレームワークを適用することで得られる大きな成果は、我々の潜在的非絡み設計の有用性を示すものである。

関連論文リスト

• KAN See In the Dark [2.9873893715462185]
  既存の低照度画像強調法は、不均一照明とノイズ効果により、通常の低照度画像と低照度画像との複雑な非線形関係に適合することが困難である。 最近提案されたコルモゴロフ・アルノルドネットワーク(KAN)はスプラインベースの畳み込み層と学習可能なアクティベーション関数を備え、非線形依存を効果的に捉えることができる。 本稿では,kanをベースとしたkan-Blockを設計し,低照度画像強調に革新的に適用し,線形ネットワーク構造に制約された現在の手法の限界を効果的に緩和し,解釈可能性の欠如を解消する。
  論文  参考訳（メタデータ） (2024-09-05T10:41:17Z)
• LDM-ISP: Enhancing Neural ISP for Low Light with Latent Diffusion Models [54.93010869546011]
  本稿では,事前学習した潜伏拡散モデルを用いて,超低照度画像の高精細化のためのニューラルISPを実現することを提案する。 具体的には、RAWドメイン上で動作するために事前訓練された潜在拡散モデルを調整するために、軽量なテーミングモジュールのセットをトレーニングする。 遅延拡散モデルにおけるUNet復調と復号化の異なる役割を観察し、低照度画像強調タスクを遅延空間低周波コンテンツ生成と復号位相高周波ディテール保守に分解するきっかけとなる。
  論文  参考訳（メタデータ） (2023-12-02T04:31:51Z)
• 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)
• SCRNet: a Retinex Structure-based Low-light Enhancement Model Guided by Spatial Consistency [22.54951703413469]
  本稿では,SCRNet(Spatial Consistency Retinex Network)と呼ばれる,新しい低照度画像強調モデルを提案する。 提案モデルでは, 空間的整合性の原理に着想を得て, チャネルレベル, セマンティックレベル, テクスチャレベルという3つのレベルの整合性を考慮した。 様々な低照度画像データセットに対する広範囲な評価は、提案したSCRNetが既存の最先端手法より優れていることを示している。
  論文  参考訳（メタデータ） (2023-05-14T03:32:19Z)
• 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)
• Rich Feature Distillation with Feature Affinity Module for Efficient Image Dehazing [1.1470070927586016]
  この作業は、単一イメージのヘイズ除去のためのシンプルで軽量で効率的なフレームワークを導入します。 我々は、ヘテロジニアス知識蒸留の概念を用いて、軽量な事前学習された超解像モデルから豊富な「暗黒知識」情報を利用する。 本実験は, RESIDE-Standardデータセットを用いて, 合成および実世界のドメインに対する我々のフレームワークの堅牢性を示す。
  論文  参考訳（メタデータ） (2022-07-13T18:32:44Z)
• Toward Fast, Flexible, and Robust Low-Light Image Enhancement [87.27326390675155]
  我々は、現実の低照度シナリオにおいて、高速でフレキシブルで頑健な鮮明化のための新しい自己校正イルミネーション(SCI)学習フレームワークを開発した。 カスケードパターンの計算負担を考慮すると、各ステージの結果の収束を実現する自己校正モジュールを構築する。 我々は,SCI固有の特性について,操作不感適応性やモデル非関係の一般性を含む包括的探索を行う。
  論文  参考訳（メタデータ） (2022-04-21T14:40:32Z)
• Learning Deep Context-Sensitive Decomposition for Low-Light Image Enhancement [58.72667941107544]
  典型的なフレームワークは、照明と反射を同時に推定することであるが、特徴空間にカプセル化されたシーンレベルの文脈情報を無視する。 本研究では,空間スケールにおけるシーンレベルのコンテキスト依存を生かした,コンテキスト依存型分解ネットワークアーキテクチャを提案する。 チャネル数を減らして軽量なCSDNet(LiteCSDNet)を開発する。
  論文  参考訳（メタデータ） (2021-12-09T06:25:30Z)
• Learning with Nested Scene Modeling and Cooperative Architecture Search for Low-Light Vision [95.45256938467237]
  低照度シーンから撮影された画像は、しばしば深刻な劣化に悩まされる。 低照度画像の視覚的品質を高めるために深層学習法が提案されている。 他の低照度ビジョンアプリケーションを扱うために、これらの拡張テクニックを拡張することは依然として困難である。
  論文  参考訳（メタデータ） (2021-12-09T06:08:31Z)

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。