Fugu-MT 論文翻訳(概要): LIME-Eval: Rethinking Low-light Image Enhancement Evaluation via Object Detection

論文の概要: LIME-Eval: Rethinking Low-light Image Enhancement Evaluation via Object Detection

arxiv url: http://arxiv.org/abs/2410.08810v2
Date: Mon, 14 Oct 2024 07:43:05 GMT
ステータス: 処理完了
システム内更新日: 2024-10-30 21:55:57.971014
Title: LIME-Eval: Rethinking Low-light Image Enhancement Evaluation via Object Detection
Title（参考訳）: LIME-Eval:オブジェクト検出による低照度画像強調評価の再考
Authors: Mingjia Li, Hao Zhao, Xiaojie Guo,
Abstract要約: 広範に使われている方法は、低照度画像に基づいて訓練されたオブジェクト検出器が、注釈付きセマンティックラベルに対してどれだけ正確に実行できるかを確認することである。 LIME-Benchは、低照度向上のための人間の嗜好の収集を目的とした、最初のオンラインベンチマークプラットフォームである。 LIME-Evalは、オブジェクトアノテーションなしで標準照明データセット上で事前訓練された検出器を利用する新しい評価フレームワークである。
参考スコア（独自算出の注目度）: 14.148063628602548
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Due to the nature of enhancement--the absence of paired ground-truth information, high-level vision tasks have been recently employed to evaluate the performance of low-light image enhancement. A widely-used manner is to see how accurately an object detector trained on enhanced low-light images by different candidates can perform with respect to annotated semantic labels. In this paper, we first demonstrate that the mentioned approach is generally prone to overfitting, and thus diminishes its measurement reliability. In search of a proper evaluation metric, we propose LIME-Bench, the first online benchmark platform designed to collect human preferences for low-light enhancement, providing a valuable dataset for validating the correlation between human perception and automated evaluation metrics. We then customize LIME-Eval, a novel evaluation framework that utilizes detectors pre-trained on standard-lighting datasets without object annotations, to judge the quality of enhanced images. By adopting an energy-based strategy to assess the accuracy of output confidence maps, our LIME-Eval can simultaneously bypass biases associated with retraining detectors and circumvent the reliance on annotations for dim images. Comprehensive experiments are provided to reveal the effectiveness of our LIME-Eval. Our benchmark platform (https://huggingface.co/spaces/lime-j/eval) and code (https://github.com/lime-j/lime-eval) are available online.
Abstract（参考訳）: 近年,低照度画像強調の性能評価に高精細度視覚タスクが採用されている。広範に使われている手法は、アノテーション付きセマンティックラベルに対して、異なる候補によって強化された低照度画像に基づいてトレーニングされたオブジェクト検出器が、どの程度正確に実行できるかを確認することである。本稿では, 上記の手法が一般に過度に適合する傾向にあり, 測定信頼性を低下させることを示す。適切な評価基準を求めるために,LIME-Benchを提案する。LIME-Benchは低照度化のための人間の嗜好を収集するための最初のオンラインベンチマークプラットフォームであり,人間の知覚と自動評価指標の相関を検証するための貴重なデータセットを提供する。 LIME-Evalは、オブジェクトアノテーションを使わずに標準照明データセット上で事前訓練された検出器を利用して、画像の品質を判断する新しい評価フレームワークである。出力信頼マップの精度を評価するためのエネルギーベースの戦略を採用することで、LIME-Evalは再学習検出器に関連するバイアスを同時に回避し、ディム画像のアノテーションへの依存を回避することができる。 LIME-Evalの有効性を明らかにするため、総合的な実験を行った。私たちのベンチマークプラットフォーム(https://huggingface.co/spaces/lime-j/eval)とコード(https://github.com/lime-j/lime-eval)はオンラインで利用可能です。

関連論文リスト

A Novel Evaluation Framework for Image2Text Generation [15.10524860121122]
本稿では,画像生成が可能な現代大規模言語モデル(LLM)に根ざした評価フレームワークを提案する。高い類似度スコアは、画像キャプションモデルが正確にテキスト記述を生成することを示唆している。類似度の低いスコアは相違点を示し、モデルの性能の潜在的な欠点を明らかにする。
論文参考訳（メタデータ） (2024-08-03T09:27:57Z)
EVALALIGN: Supervised Fine-Tuning Multimodal LLMs with Human-Aligned Data for Evaluating Text-to-Image Models [16.18275805302776]
本稿では,その精度,安定性,微粒度を特徴とする計量であるEvalAlignを提案する。画像の忠実度とテキスト画像のアライメントという2つの重要な側面に焦点を当てた評価プロトコルを開発する。 EvalAlignは、既存のメトリクスよりも人間の好みと密に一致し、モデルアセスメントの有効性と有用性を確認している。
論文参考訳（メタデータ） (2024-06-24T11:56:15Z)
Cobra Effect in Reference-Free Image Captioning Metrics [58.438648377314436]
視覚言語事前学習モデル(VLM)を活用した参照フリー手法の普及が出現している。本稿では,基準自由度に欠陥があるかどうかを考察する。 GPT-4Vは生成した文を評価するための評価ツールであり,提案手法がSOTA(State-of-the-art)の性能を達成することを示す。
論文参考訳（メタデータ） (2024-02-18T12:36:23Z)
AUPIMO: Redefining Visual Anomaly Detection Benchmarks with High Speed and Low Tolerance [0.562479170374811]
Per-IMage Overlap(PIMO)は、AUROCとAUPROの欠点に対処する新しいメトリクスである。画像ごとのリコールの測定は、計算を単純化し、ノイズの多いアノテーションに対してより堅牢である。実験の結果,PIMOは実用的優位性があり,性能の見識に乏しいことがわかった。
論文参考訳（メタデータ） (2024-01-03T21:24:44Z)
Unsupervised evaluation of GAN sample quality: Introducing the TTJac Score [5.1359892878090845]
データフリーで個々の合成画像の忠実度を測定するために「TTJac score」を提案する。 FFHQ, AFHQ-Wild, LSUN-Cars, LSUN-Horseデータセット上でのStyleGAN 2およびStyleGAN 2 ADAモデルに適用した実験結果を示す。
論文参考訳（メタデータ） (2023-08-31T19:55:50Z)
Positive-Augmented Contrastive Learning for Image and Video Captioning Evaluation [47.40949434032489]
画像キャプションのための新しいコントラストベース評価指標,すなわち肯定的拡張コントラスト学習スコア(PAC-S)を提案する。 PAC-Sは、生成した画像とキュレートされたデータにテキストを追加することで、対照的な視覚的意味空間の学習を統一する。複数のデータセットにまたがる実験により、私たちの新しい測定基準は、画像とビデオの両方で人間の判断と最も高い相関を達成できることが示された。
論文参考訳（メタデータ） (2023-03-21T18:03:14Z)
Exploring validation metrics for offline model-based optimisation with diffusion models [50.404829846182764]
モデルベース最適化(MBO)では、マシンラーニングを使用して、(基底真理)オラクルと呼ばれるブラックボックス関数に対する報酬の尺度を最大化する候補を設計することに興味があります。モデル検証中に基底オラクルに対する近似をトレーニングし、その代わりに使用することができるが、その評価は近似的であり、敵の例に対して脆弱である。本手法は,外挿量を測定するために提案した評価フレームワークにカプセル化されている。
論文参考訳（メタデータ） (2022-11-19T16:57:37Z)
Enhancement by Your Aesthetic: An Intelligible Unsupervised Personalized Enhancer for Low-Light Images [67.14410374622699]
低照度画像のための知能的教師なしパーソナライズ・エンハンサー(iUPEnhancer)を提案する。提案したiUP-Enhancerは、これらの相関関係とそれに対応する教師なし損失関数のガイダンスを用いて訓練される。実験により,提案アルゴリズムは競合的な質的,定量的な結果が得られることを示した。
論文参考訳（メタデータ） (2022-07-15T07:16:10Z)
A Closer Look at Debiased Temporal Sentence Grounding in Videos: Dataset, Metric, and Approach [53.727460222955266]
テンポラル・センテンス・グラウンディング・イン・ビデオ(TSGV)は、未編集のビデオに自然言語文を埋め込むことを目的としている。最近の研究では、現在のベンチマークデータセットには明らかなモーメントアノテーションバイアスがあることが判明している。偏りのあるデータセットによる膨らませ評価を緩和するため、基礎的リコールスコアを割引する新しい評価基準「dR@n,IoU@m」を導入する。
論文参考訳（メタデータ） (2022-03-10T08:58:18Z)
Revisiting The Evaluation of Class Activation Mapping for Explainability: A Novel Metric and Experimental Analysis [54.94682858474711]
クラスアクティベーションマッピング(cam)アプローチは、アクティベーションマップの平均を重み付けすることで、効果的な可視化を提供する。説明マップを定量化するための新しいメトリクスセットを提案し、より効果的な方法を示し、アプローチ間の比較を簡素化します。
論文参考訳（メタデータ） (2021-04-20T21:34:24Z)
EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with Cascade Refinement [53.69674636044927]
本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
論文参考訳（メタデータ） (2020-02-18T08:04:58Z)

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。