論文の概要: Enhancing Nighttime UAV Tracking with Light Distribution Suppression
- arxiv url: http://arxiv.org/abs/2409.16631v1
- Date: Wed, 25 Sep 2024 05:19:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-27 05:35:28.444808
- Title: Enhancing Nighttime UAV Tracking with Light Distribution Suppression
- Title（参考訳）: 光の分布抑制による夜間UAV追跡の強化
- Authors: Liangliang Yao, Changhong Fu, Yiheng Wang, Haobo Zuo, Kunhan Lu,
- Abstract要約: 本研究は,光分布抑制による夜間UAV追跡を向上する新しいエンハンサー,LDEnhancerを提案する。
具体的には、光配信情報と画像コンテンツ情報とを分解する新規な画像コンテンツ改善モジュールを開発する。
NAT2024-2という不均一な光分布を持つ夜間UAV追跡データセットは、包括的な評価を提供するために構築されている。
- 参考スコア（独自算出の注目度）: 6.950880335490385
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Visual object tracking has boosted extensive intelligent applications for unmanned aerial vehicles (UAVs). However, the state-of-the-art (SOTA) enhancers for nighttime UAV tracking always neglect the uneven light distribution in low-light images, inevitably leading to excessive enhancement in scenarios with complex illumination. To address these issues, this work proposes a novel enhancer, i.e., LDEnhancer, enhancing nighttime UAV tracking with light distribution suppression. Specifically, a novel image content refinement module is developed to decompose the light distribution information and image content information in the feature space, allowing for the targeted enhancement of the image content information. Then this work designs a new light distribution generation module to capture light distribution effectively. The features with light distribution information and image content information are fed into the different parameter estimation modules, respectively, for the parameter map prediction. Finally, leveraging two parameter maps, an innovative interweave iteration adjustment is proposed for the collaborative pixel-wise adjustment of low-light images. Additionally, a challenging nighttime UAV tracking dataset with uneven light distribution, namely NAT2024-2, is constructed to provide a comprehensive evaluation, which contains 40 challenging sequences with over 74K frames in total. Experimental results on the authoritative UAV benchmarks and the proposed NAT2024-2 demonstrate that LDEnhancer outperforms other SOTA low-light enhancers for nighttime UAV tracking. Furthermore, real-world tests on a typical UAV platform with an NVIDIA Orin NX confirm the practicality and efficiency of LDEnhancer. The code is available at https://github.com/vision4robotics/LDEnhancer.
- Abstract（参考訳）: 視覚的物体追跡は無人航空機(UAV)の広範囲なインテリジェントな応用を促進した。
しかし、夜間UAV追跡のためのSOTA(State-of-the-art)エンハンサーは、低照度画像における不均一な光の分布を常に無視し、必然的に複雑な照明を伴うシナリオにおいて過度に増強する。
これらの課題に対処するため, LDEnhancer という新しいエンハンサーを提案する。
具体的には、特徴空間における光配信情報と画像コンテンツ情報とを分解し、画像コンテンツ情報のターゲット強化を可能にする新規な画像コンテンツ改善モジュールを開発する。
そこで本研究では,光分布を効果的に捉えるために,新たな光分布生成モジュールを設計する。
パラメータマップ予測のために、それぞれ異なるパラメータ推定モジュールに光分布情報と画像内容情報を有する特徴を供給する。
最後に、2つのパラメータマップを活用することで、低照度画像の協調的な画素ワイズ調整に革新的な相互織り合わせ調整を提案する。
さらに、夜間UAV追跡データセット、すなわちNAT2024-2は、合計74Kフレームを超える40の挑戦的なシーケンスを含む包括的な評価を提供するために構築されている。
信頼性のあるUAVベンチマークと提案したNAT2024-2の実験結果は、LDEnhancerが夜間UAV追跡のために他のSOTA低照度エンハンサーより優れていることを示している。
さらに、NVIDIA Orin NXを搭載した典型的なUAVプラットフォーム上での実際のテストは、LDEnhancerの実用性と効率性を確認している。
コードはhttps://github.com/vision4robotics/LDEnhancerで公開されている。
関連論文リスト
- MambaTrack: Exploiting Dual-Enhancement for Night UAV Tracking [41.76977058932557]
夜間無人航空機(UAV)の追跡は、照明不足の課題によって妨げられる。
そこで我々は,夜間UAV追跡の強化に2つの拡張技術を活用し,効率的なマンバベーストラッカーを提案する。
論文 参考訳（メタデータ） (2024-11-24T09:12:37Z) - BVI-RLV: A Fully Registered Dataset and Benchmarks for Low-Light Video Enhancement [56.97766265018334]
本稿では,2つの異なる低照度条件下での様々な動きシナリオを持つ40のシーンからなる低照度映像データセットを提案する。
我々は、プログラム可能なモータードリーを用いて、通常の光で捉えた完全に登録された地上真実データを提供し、異なる光レベルにわたるピクセルワイドフレームアライメントのための画像ベースアプローチによりそれを洗練する。
実験の結果,Low-light Video enhancement (LLVE) における完全登録ビデオペアの重要性が示された。
論文 参考訳（メタデータ） (2024-07-03T22:41:49Z) - A Non-Uniform Low-Light Image Enhancement Method with Multi-Scale
Attention Transformer and Luminance Consistency Loss [11.585269110131659]
低照度画像強調は、薄暗い環境で収集された画像の知覚を改善することを目的としている。
既存の方法では、識別された輝度情報を適応的に抽出することができず、露光過多や露光過多を容易に引き起こすことができる。
MSATrというマルチスケールアテンション変換器を提案し,光バランスの局所的・グローバル的特徴を十分に抽出し,視覚的品質を向上させる。
論文 参考訳（メタデータ） (2023-12-27T10:07:11Z) - 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 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) - Tracker Meets Night: A Transformer Enhancer for UAV Tracking [20.74868878876137]
空間チャネルトランスを用いた低照度エンハンサが提案され, 追従手法に先立って接続される。
高レベルタスクを対象としたセマンティックレベルの低照度化を実現するために,新しい空間チャネルアテンションモジュールを提案する。
エンハンスメント工程では、SCTは夜間画像を同時にデノイズし、照明する。
論文 参考訳（メタデータ） (2023-03-20T09:18:52Z) - HighlightNet: Highlighting Low-Light Potential Features for Real-Time
UAV Tracking [13.076998989872212]
低照度環境は、頑丈な無人航空機(UAV)の追跡に深刻な課題をもたらしている。
この研究は、人間のオペレータとUAVトラッカーの両方の潜在的なオブジェクトを照らすための新しいエンハンサー、すなわちHighlightNetを提案する。
論文 参考訳（メタデータ） (2022-08-14T10:09:35Z) - Cycle-Interactive Generative Adversarial Network for Robust Unsupervised
Low-Light Enhancement [109.335317310485]
CIGAN(Cycle-Interactive Generative Adversarial Network)は、低照度画像間の照明分布の転送を改善できるだけでなく、詳細な信号も操作できる。
特に、提案した低照度誘導変換は、低照度GAN生成器から劣化GAN生成器へ、低照度画像の特徴をフォワードする。
論文 参考訳（メタデータ） (2022-07-03T06:37:46Z) - Enhancing Low-Light Images in Real World via Cross-Image Disentanglement [58.754943762945864]
そこで本研究では,現実の汚職とミスアライメントされたトレーニング画像からなる,新しい低照度画像強調データセットを提案する。
本モデルでは,新たに提案したデータセットと,他の一般的な低照度データセットの両方に対して,最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-01-10T03:12:52Z) - DarkLighter: Light Up the Darkness for UAV Tracking [14.901582782711627]
本研究は低照度画像エンハンサーであるDarkLighterを提案する。
ライトウェイトマップ推定ネットワーク、すなわちME-Netは、照明マップとノイズマップを共同で効率的に推定するために訓練される。
いくつかのSOTAトラッカーで多数のUAVダークトラッキングシーンで実験が行われた。
論文 参考訳（メタデータ） (2021-07-30T01:37:24Z) - 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。