Fugu-MT 論文翻訳(概要): Zero-Shot Low Light Image Enhancement with Diffusion Prior

論文の概要: Zero-Shot Low Light Image Enhancement with Diffusion Prior

arxiv url: http://arxiv.org/abs/2412.13401v1
Date: Wed, 18 Dec 2024 00:31:18 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-19 16:46:52.020723
Title: Zero-Shot Low Light Image Enhancement with Diffusion Prior
Title（参考訳）: 拡散先行によるゼロショット低光画像強調
Authors: Joshua Cho, Sara Aghajanzadeh, Zhen Zhu, D. A. Forsyth,
Abstract要約: 暗視画像変換タスクのための拡散モデルの生成挙動を制御・改善するための新しいゼロショット手法を提案する。提案手法は,低照度画像強調作業における既存の最先端手法よりも優れた性能を示す。
参考スコア（独自算出の注目度）: 2.102429358229889
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Balancing aesthetic quality with fidelity when enhancing images from challenging, degraded sources is a core objective in computational photography. In this paper, we address low light image enhancement (LLIE), a task in which dark images often contain limited visible information. Diffusion models, known for their powerful image enhancement capacities, are a natural choice for this problem. However, their deep generative priors can also lead to hallucinations, introducing non-existent elements or substantially altering the visual semantics of the original scene. In this work, we introduce a novel zero-shot method for controlling and refining the generative behavior of diffusion models for dark-to-light image conversion tasks. Our method demonstrates superior performance over existing state-of-the-art methods in the task of low-light image enhancement, as evidenced by both quantitative metrics and qualitative analysis.
Abstract（参考訳）: 難解で劣化したソースから画像を強化する際に、美的品質と忠実さのバランスをとることが、計算写真の中核的な目的である。本稿では,低照度画像強調処理(LLIE)について述べる。拡散モデルは、その強力な画像強調能力で知られており、この問題には自然な選択である。しかし、その深遠な生成前は幻覚を招き、存在しない要素を導入したり、元のシーンの視覚的意味を著しく変えたりすることもある。本研究では,暗視画像変換タスクにおける拡散モデルの生成挙動を制御・改善するゼロショット手法を提案する。本手法は,定量測定と定性解析の両方によって実証された,低照度画像強調作業における既存の最先端手法よりも優れた性能を示す。

関連論文リスト

Leveraging Content and Context Cues for Low-Light Image Enhancement [25.97198463881292]
低照度条件はマシン認知に悪影響を及ぼし、現実のコンピュータビジョンシステムの性能を制限する。本稿では、CLIPモデルを利用して、画像の先行と意味的ガイダンスの取得により、既存のゼロ参照低照度化を改善することを提案する。提案手法は,画像のコントラストと色調の改善,背景背景の識別の改善に有効であることを示す。
論文参考訳（メタデータ） (2024-12-10T17:32:09Z)
CodeEnhance: A Codebook-Driven Approach for Low-Light Image Enhancement [97.95330185793358]
低照度画像強調(LLIE)は、低照度画像を改善することを目的としている。既存の手法では、様々な明るさ劣化からの回復の不確実性と、テクスチャと色情報の喪失という2つの課題に直面している。我々は、量子化された先行値と画像の精細化を利用して、新しいエンハンスメント手法、CodeEnhanceを提案する。
論文参考訳（メタデータ） (2024-04-08T07:34:39Z)
Revealing Shadows: Low-Light Image Enhancement Using Self-Calibrated Illumination [4.913568097686369]
自己校正イルミネーション(Self-Calibrated Illumination, SCI)は、当初RGB画像向けに開発された戦略である。我々はSCI法を用いて、低照度条件下で通常失われる詳細を強調・明らかにする。この選択的照明強調方法は、色情報をそのまま残し、画像の色整合性を保つ。
論文参考訳（メタデータ） (2023-12-23T08:49:19Z)
Dimma: Semi-supervised Low Light Image Enhancement with Adaptive Dimming [0.728258471592763]
自然色を維持しながら低照度画像を強調することは、カメラ処理のバリエーションによって難しい問題である。そこで我々はDimmaを提案する。Dimmaは、画像対の小さなセットを利用して、任意のカメラと整合する半教師付きアプローチである。そこで我々は,照明の違いに基づいて,シーンの歪み色を生成する畳み込み混合密度ネットワークを導入することで実現した。
論文参考訳（メタデータ） (2023-10-14T17:59:46Z)
Joint Correcting and Refinement for Balanced Low-Light Image Enhancement [26.399356992450763]
より効果的に明るさ、色、照明のバランスをとることができる新しい構造が提案されている。 JCRNet(Joint Correcting and Refinement Network)は主に、明るさ、色、照明の輝度のバランスをとるための3つのステージで構成されている。
論文参考訳（メタデータ） (2023-09-28T03:16:45Z)
LUT-GCE: Lookup Table Global Curve Estimation for Fast Low-light Image Enhancement [62.17015413594777]
LUT-GCEという低照度画像強調のための効果的かつ効率的な手法を提案する。画像全体に対する大域的な曲線を推定し、被曝と過剰露光の両方の補正を可能にする。我々のアプローチは、特に高精細画像(例えば1080pと4k)において、推論速度の観点から、技術の現状よりも優れています。
論文参考訳（メタデータ） (2023-06-12T12:53:06Z)
Diffusion in the Dark: A Diffusion Model for Low-Light Text Recognition [78.50328335703914]
ディフュージョン・イン・ザ・ダーク (Diffusion in the Dark, DiD) は、テキスト認識のための低照度画像再構成のための拡散モデルである。実画像上での低照度テキスト認識において,Digital DiDがSOTAの低照度手法より優れていることを示す。
論文参考訳（メタデータ） (2023-03-07T23:52:51Z)
Designing An Illumination-Aware Network for Deep Image Relighting [69.750906769976]
本稿では、階層的なサンプリングから1つの画像からシーンを段階的にリライトするためのガイダンスに従うイルミネーション・アウェア・ネットワーク(IAN)を提案する。さらに、物理レンダリングプロセスの近似として、イルミネーション・アウェア・残留ブロック(IARB)が設計されている。実験の結果,提案手法は従来の最先端手法よりも定量的,定性的な照準結果が得られることがわかった。
論文参考訳（メタデータ） (2022-07-21T16:21:24Z)
Semi-supervised atmospheric component learning in low-light image problem [0.0]
環境照明条件は、写真装置から画像の知覚的品質を決定する上で重要な役割を担っている。本研究では,低照度画像復元のための非参照画像品質指標を用いた半教師付きトレーニング手法を提案する。
論文参考訳（メタデータ） (2022-04-15T17:06:33Z)
Invertible Network for Unpaired Low-light Image Enhancement [78.33382003460903]
本稿では,非可逆的ネットワークを活用して,前処理における低照度画像の強化と,非対向学習により逆向きに通常の照度画像の劣化を図ることを提案する。対向的損失に加えて、トレーニングの安定性を確保し、より詳細な画像を保存するために、様々な損失関数を設計する。低照度画像に対するプログレッシブ自己誘導強調処理を提案し,SOTAに対して良好な性能を示す。
論文参考訳（メタデータ） (2021-12-24T17:00:54Z)
Degrade is Upgrade: Learning Degradation for Low-light Image Enhancement [52.49231695707198]
2段階の工程で細部と色を精錬しながら、内在的な劣化と低照度画像を照らし出す。カラー画像の定式化に触発されて,まず低照度入力からの劣化を推定し,環境照明色の歪みをシミュレーションし,そのコンテンツを精錬して拡散照明色の損失を回復した。 LOL1000データセットではPSNRで0.95dB、ExDarkデータセットでは3.18%のmAPでSOTAを上回った。
論文参考訳（メタデータ） (2021-03-19T04:00:27Z)
Low-light Image Enhancement Using the Cell Vibration Model [12.400040803969501]
低い光は、画像の品質を低下させ、視覚的なタスクの失敗を引き起こす可能性が非常に高い。そこで本研究では,新しい低照度画像の輝度向上手法を提案する。実験の結果,提案アルゴリズムは9つの最先端手法よりも優れていることがわかった。
論文参考訳（メタデータ） (2020-06-03T13:39:10Z)
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。