論文の概要: Analytical-Heuristic Modeling and Optimization for Low-Light Image Enhancement

• arxiv url: http://arxiv.org/abs/2412.07659v1
• Date: Tue, 10 Dec 2024 16:45:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-11 14:36:53.621538
• Title: Analytical-Heuristic Modeling and Optimization for Low-Light Image Enhancement
• Title（参考訳）: 低照度画像強調のための解析的ヒューリスティックモデリングと最適化
• Authors: Axel Martinez, Emilio Hernandez, Matthieu Olague, Gustavo Olague,
• Abstract要約: 低照度画像の強化は依然として未解決の問題であり、人工知能の新たな波がこの問題の中心にある。 この研究は、低照度で画像の可視化を改善することができる分析モデルを最適化するための遺伝的アルゴリズムの使用について述べる。
• 参考スコア（独自算出の注目度）: 1.5379084885764847
• License:
• Abstract: Low-light image enhancement remains an open problem, and the new wave of artificial intelligence is at the center of this problem. This work describes the use of genetic algorithms for optimizing analytical models that can improve the visualization of images with poor light. Genetic algorithms are part of metaheuristic approaches, which proved helpful in solving challenging optimization tasks. We propose two analytical methods combined with optimization reasoning to approach a solution to the physical and computational aspects of transforming dark images into visible ones. The experiments demonstrate that the proposed approach ranks at the top among 26 state-of-the-art algorithms in the LOL benchmark. The results show evidence that a simple genetic algorithm combined with analytical reasoning can defeat the current mainstream in a challenging computer vision task through controlled experiments and objective comparisons. This work opens interesting new research avenues for the swarm and evolutionary computation community and others interested in analytical and heuristic reasoning.
• Abstract（参考訳）: 低照度画像の強化は依然として未解決の問題であり、人工知能の新たな波がこの問題の中心にある。 この研究は、低照度で画像の可視化を改善することができる分析モデルを最適化するための遺伝的アルゴリズムの使用について述べる。 遺伝的アルゴリズムはメタヒューリスティックなアプローチの一部である。 そこで我々は,暗黒画像から可視画像へ変換する物理・計算面の解に,最適化推論と組み合わせた2つの解析手法を提案する。 実験の結果,提案手法はLOLベンチマークにおいて26の最先端アルゴリズムの上位にランクされている。 その結果、単純な遺伝的アルゴリズムと解析的推論を組み合わせることで、制御された実験と客観的比較によって、挑戦的なコンピュータビジョンタスクにおいて、現在の主流を破ることができることを示す。 この研究は、Swarmと進化計算のコミュニティと、分析的およびヒューリスティックな推論に関心を持つ人々のための興味深い新しい研究の道を開く。

関連論文リスト

• A Comparative Visual Analytics Framework for Evaluating Evolutionary Processes in Multi-objective Optimization [7.906582204901926]
  EMOアルゴリズムにおける進化過程の探索と比較を可能にする視覚分析フレームワークを提案する。 ベンチマークおよび実世界の多目的最適化問題におけるケーススタディを通じて,本フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2023-08-10T15:32:46Z)
• An Optimization-based Deep Equilibrium Model for Hyperspectral Image Deconvolution with Convergence Guarantees [71.57324258813675]
  本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。 新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。 導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• Representation Learning with Multi-Step Inverse Kinematics: An Efficient and Optimal Approach to Rich-Observation RL [106.82295532402335]
  既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。 所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。 我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
  論文  参考訳（メタデータ） (2023-04-12T14:51:47Z)
• Exploring the effectiveness of surrogate-assisted evolutionary algorithms on the batch processing problem [0.0]
  本稿では,文献におけるよく知られたバッチ処理問題のシミュレーションを紹介する。 遺伝的アルゴリズム(GA)や微分進化(DE)といった進化的アルゴリズムを用いてシミュレーションの最適なスケジュールを見つける。 次に、サロゲート支援されたアルゴリズムによって得られる解の質を、ベースラインアルゴリズムと比較する。
  論文  参考訳（メタデータ） (2022-10-31T09:00:39Z)
• Neural Combinatorial Optimization: a New Player in the Field [69.23334811890919]
  本稿では,ニューラルネットワークに基づくアルゴリズムの古典的最適化フレームワークへの導入に関する批判的分析を行う。 性能, 転送可能性, 計算コスト, 大規模インスタンスなど, これらのアルゴリズムの基本的側面を分析するために, 総合的研究を行った。
  論文  参考訳（メタデータ） (2022-05-03T07:54:56Z)
• Automated Design of Salient Object Detection Algorithms with Brain Programming [3.518016233072556]
  本研究は, 突発性物体検出問題の解決を目的とした最近の提案を用いて, 人工背側流の拡大を提案する。 そこで我々は,画像分割アルゴリズムと視覚塩分率の融合をテンプレートとして適用することにした。 本稿では,最先端技術との比較において,専門家が設計したベンチマークの結果について述べる。
  論文  参考訳（メタデータ） (2022-04-07T20:21:30Z)
• A Brief Overview of Physics-inspired Metaheuristic Optimization Techniques [0.0]
  本章は、具体的な最適化パラダイムを持つ非線形物理現象をモデル化したメタヒューリスティックアルゴリズムに焦点を当てる。 具体的には、この章は、いくつかの人気のある物理に基づくメタヒューリスティックスと、各アルゴリズムに関連する基礎となるユニークな物理過程を記述することに焦点を当てている。
  論文  参考訳（メタデータ） (2022-01-30T13:25:23Z)
• Amortized Implicit Differentiation for Stochastic Bilevel Optimization [53.12363770169761]
  決定論的条件と決定論的条件の両方において、二段階最適化問題を解決するアルゴリズムのクラスについて検討する。 厳密な勾配の推定を補正するために、ウォームスタート戦略を利用する。 このフレームワークを用いることで、これらのアルゴリズムは勾配の偏りのない推定値にアクセス可能な手法の計算複雑性と一致することを示す。
  論文  参考訳（メタデータ） (2021-11-29T15:10:09Z)
• Fractal Structure and Generalization Properties of Stochastic Optimization Algorithms [71.62575565990502]
  最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。 さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
  論文  参考訳（メタデータ） (2021-06-09T08:05:36Z)
• PAMELI: A Meta-Algorithm for Computationally Expensive Multi-Objective Optimization Problems [0.0]
  提案アルゴリズムは,実モデルのモデルによって定義される一連の代理問題の解法に基づく。 また,最適化ランドスケープのための最適なサロゲートモデルとナビゲーション戦略のメタ検索を行う。
  論文  参考訳（メタデータ） (2021-03-19T11:18:03Z)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)

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。