論文の概要: Super-resolving Real-world Image Illumination Enhancement: A New Dataset and A Conditional Diffusion Model
- arxiv url: http://arxiv.org/abs/2410.12961v1
- Date: Wed, 16 Oct 2024 18:47:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-18 13:19:51.150973
- Title: Super-resolving Real-world Image Illumination Enhancement: A New Dataset and A Conditional Diffusion Model
- Title(参考訳): 超解像実世界のイルミネーション向上:新しいデータセットと条件付き拡散モデル
- Authors: Yang Liu, Yaofang Liu, Jinshan Pan, Yuxiang Hui, Fan Jia, Raymond H. Chan, Tieyong Zeng,
- Abstract要約: 本稿では,効率的な条件拡散確率モデルに基づくSRRIIEデータセットを提案する。
画像はILDCカメラと光学ズームレンズで撮影し、露光レベルは6EVから0EV、ISOレベルは50~12800である。
既存の手法は, 複雑なノイズから復元した画像の構造やシャープさを保ちつつも, 有効性は低いことが示唆された。
- 参考スコア(独自算出の注目度): 43.93772529301279
- License:
- Abstract: Most existing super-resolution methods and datasets have been developed to improve the image quality in well-lighted conditions. However, these methods do not work well in real-world low-light conditions as the images captured in such conditions lose most important information and contain significant unknown noises. To solve this problem, we propose a SRRIIE dataset with an efficient conditional diffusion probabilistic models-based method. The proposed dataset contains 4800 paired low-high quality images. To ensure that the dataset are able to model the real-world image degradation in low-illumination environments, we capture images using an ILDC camera and an optical zoom lens with exposure levels ranging from -6 EV to 0 EV and ISO levels ranging from 50 to 12800. We comprehensively evaluate with various reconstruction and perceptual metrics and demonstrate the practicabilities of the SRRIIE dataset for deep learning-based methods. We show that most existing methods are less effective in preserving the structures and sharpness of restored images from complicated noises. To overcome this problem, we revise the condition for Raw sensor data and propose a novel time-melding condition for diffusion probabilistic model. Comprehensive quantitative and qualitative experimental results on the real-world benchmark datasets demonstrate the feasibility and effectivenesses of the proposed conditional diffusion probabilistic model on Raw sensor data. Code and dataset will be available at https://github.com/Yaofang-Liu/Super-Resolving
- Abstract(参考訳): 既存の超解像法やデータセットの多くは、明るい条件下での画質向上のために開発されている。
しかし、これらの手法は、そのような条件下で撮影された画像が最も重要な情報を失い、重要な未知のノイズを含むため、現実世界の低照度環境ではうまく機能しない。
そこで本研究では,効率的な条件拡散確率モデルに基づくSRRIIEデータセットを提案する。
提案データセットは4800対の低品質画像を含む。
低照度環境において、データセットが実世界の画像劣化をモデル化できるように、ILDCカメラと光学ズームレンズを用いて、露光レベルが6EVから0EVまで、ISOレベルが50~12800まで、画像を撮影する。
本研究では,様々な再現性および知覚的指標を用いて総合的に評価し,深層学習手法におけるSRRIIEデータセットの実践性を実証する。
既存の手法は, 複雑なノイズから復元した画像の構造やシャープさを保ちつつも, 有効性は低いことが示唆された。
この問題を克服するために,Rawセンサデータの条件を変更し,拡散確率モデルのための新しい時間融解条件を提案する。
実世界のベンチマークデータセットの総合的定量的および定性的な実験結果は、Rawセンサーデータに対する条件拡散確率モデルの有効性と有効性を示す。
コードとデータセットはhttps://github.com/Yaofang-Liu/Super-Resolvingで入手できる。
関連論文リスト
- Towards Robust Event-guided Low-Light Image Enhancement: A Large-Scale Real-World Event-Image Dataset and Novel Approach [7.974102031202597]
そこで本研究では,低照度および常照度条件下での30万組以上の画像とイベントからなる実世界(屋内および屋外)データセットを提案する。
このデータセットに基づいて、実世界の低照度シーンにおけるロバストなパフォーマンスを実現するために、EvLightと呼ばれるイベント誘導型LIEアプローチを提案する。
論文 参考訳(メタデータ) (2024-04-01T00:18:17Z) - 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) - On quantifying and improving realism of images generated with diffusion [50.37578424163951]
与えられた画像の5つの統計的測度から算出した画像リアリズムスコア(IRS)と呼ばれるメトリクスを提案する。
IRSは、与えられた画像を実または偽のものとして分類する手段として容易に利用できる。
我々は,安定拡散モデル (SDM) , Dalle2, Midjourney, BigGAN による偽画像の検出に成功して,提案したIRSのモデルおよびデータに依存しない性質を実験的に確立した。
このデータセットは、高品質の4つのモデルによって生成される100のクラスに対して1,000のサンプルを提供します。
論文 参考訳(メタデータ) (2023-09-26T08:32:55Z) - 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) - DiffCR: A Fast Conditional Diffusion Framework for Cloud Removal from
Optical Satellite Images [27.02507384522271]
本稿では,光衛星画像の高速クラウド除去に深部畳み込みネットワークを用いた条件付き拡散を利用したDiffCRという新しいフレームワークを提案する。
条件付き特徴抽出のための分離エンコーダを導入し、条件付き入力と合成出力との外観情報の密接な類似性を確保するために、ロバストな色表現を提供する。
論文 参考訳(メタデータ) (2023-08-08T17:34:28Z) - ExposureDiffusion: Learning to Expose for Low-light Image Enhancement [87.08496758469835]
この研究は、拡散モデルと物理ベースの露光モデルとをシームレスに統合することで、この問題に対処する。
提案手法は,バニラ拡散モデルと比較して性能が大幅に向上し,推論時間を短縮する。
提案するフレームワークは、実際のペア付きデータセット、SOTAノイズモデル、および異なるバックボーンネットワークの両方で動作する。
論文 参考訳(メタデータ) (2023-07-15T04:48:35Z) - ART-SS: An Adaptive Rejection Technique for Semi-Supervised restoration
for adverse weather-affected images [24.03416814412226]
SSR法の性能に及ぼすラベルなしデータの影響について検討する。
性能を劣化させる未ラベル画像の拒否を行う手法を開発した。
論文 参考訳(メタデータ) (2022-03-17T12:00:31Z) - Robust photon-efficient imaging using a pixel-wise residual shrinkage
network [7.557893223548758]
単光子光検出・測光(LiDAR)は、挑戦的なシナリオで3Dイメージングに広く応用されている。
収集されたデータの信号光子数と高雑音は 深度画像の正確な予測に 大きな課題をもたらしました
高雑音データからの光子効率イメージングのための画素ワイド残差縮小ネットワークを提案する。
論文 参考訳(メタデータ) (2022-01-05T05:08:12Z) - A Physics-based Noise Formation Model for Extreme Low-light Raw
Denoising [34.98772175073111]
CMOS光センサの特性に基づく高精度なノイズ生成モデルを提案する。
また,現代のデジタルカメラにおけるノイズパラメータの校正手法を提案する。
論文 参考訳(メタデータ) (2020-03-28T09:16:48Z)
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。