論文の概要: Recognition-Oriented Low-Light Image Enhancement based on Global and Pixelwise Optimization
- arxiv url: http://arxiv.org/abs/2501.04210v1
- Date: Wed, 08 Jan 2025 01:09:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-09 14:55:14.110811
- Title: Recognition-Oriented Low-Light Image Enhancement based on Global and Pixelwise Optimization
- Title(参考訳): グローバル・アンド・ピクセルワイズ最適化に基づく認識指向低光画像強調
- Authors: Seitaro Ono, Yuka Ogino, Takahiro Toizumi, Atsushi Ito, Masato Tsukada,
- Abstract要約: 本稿では,認識モデルの性能向上を目的とした,新しい低照度画像強調手法を提案する。
提案手法は,下流認識モデルの再学習を必要とせず,低照度認識性能を向上させるフィルタとして適用することができる。
- 参考スコア(独自算出の注目度): 0.4951599300340954
- License:
- Abstract: In this paper, we propose a novel low-light image enhancement method aimed at improving the performance of recognition models. Despite recent advances in deep learning, the recognition of images under low-light conditions remains a challenge. Although existing low-light image enhancement methods have been developed to improve image visibility for human vision, they do not specifically focus on enhancing recognition model performance. Our proposed low-light image enhancement method consists of two key modules: the Global Enhance Module, which adjusts the overall brightness and color balance of the input image, and the Pixelwise Adjustment Module, which refines image features at the pixel level. These modules are trained to enhance input images to improve downstream recognition model performance effectively. Notably, the proposed method can be applied as a frontend filter to improve low-light recognition performance without requiring retraining of downstream recognition models. Experimental results demonstrate that our method improves the performance of pretrained recognition models under low-light conditions and its effectiveness.
- Abstract(参考訳): 本稿では,認識モデルの性能向上を目的とした,新しい低照度画像強調手法を提案する。
近年のディープラーニングの進歩にもかかわらず、低照度条件下での画像認識は依然として課題である。
従来の低照度画像強調法は人間の視力の視認性を向上させるために開発されてきたが,認識モデルの性能向上に特化していない。
提案手法は,入力画像の全体輝度と色バランスを調整するGlobal Enhance Moduleと,画素レベルの画像特徴を改良するPixelwise Adjustment Moduleの2つの重要なモジュールから構成される。
これらのモジュールは、入力画像を強化し、下流認識モデルの性能を効果的に向上するために訓練される。
特に,提案手法は,下流認識モデルの再学習を必要とせずに,低照度認識性能を向上させるために,フロントエンドフィルタとして適用することができる。
実験結果から, 低照度条件下での事前学習モデルの性能向上とその有効性が確認された。
関連論文リスト
- Robust Low-Light Human Pose Estimation through Illumination-Texture Modulation [45.37915061527004]
現在の手法では、ピクセルレベルの拡張に依存するため、高品質な表現が提供できない。
本稿では,低照度人間のポーズ推定のための周波数に基づくフレームワークを提案する。
論文 参考訳(メタデータ) (2025-01-14T11:42:54Z) - HUPE: Heuristic Underwater Perceptual Enhancement with Semantic Collaborative Learning [62.264673293638175]
既存の水中画像強調法は主に視覚的品質の向上に重点を置いており、実際的な意味を見落としている。
視覚的品質を高め,他の下流タスクに対処する柔軟性を示す,水中知覚向上のための可逆的ネットワークHを提案する。
論文 参考訳(メタデータ) (2024-11-27T12:37:03Z) - 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) - Seed Optimization with Frozen Generator for Superior Zero-shot Low-light
Enhancement [49.97304897798384]
事前学習したジェネレータをRetinexモデルに組み込んで、詳細と鮮明さを向上した反射率マップを生成する。
低照度増強モデルのパラメータよりも入力種子への勾配を逆伝播させる新しい最適化手法を提案する。
事前学習した知識と種最適化戦略を活かして、低照度向上モデルにより、強化された結果の現実性と忠実度を著しく調整することができる。
論文 参考訳(メタデータ) (2024-02-15T04:06:18Z) - Improving Low-Light Image Recognition Performance Based on Image-adaptive Learnable Module [0.4951599300340954]
本研究では,低照度条件下での認識モデルの性能向上について述べる。
入力画像に適切な画像処理を適用する画像適応学習モジュールを提案する。
提案手法は,フロントエンドフィルタとして容易に統合することにより,低照度条件下での認識性能の向上を可能にする。
論文 参考訳(メタデータ) (2024-01-12T08:18:42Z) - LLDiffusion: Learning Degradation Representations in Diffusion Models
for Low-Light Image Enhancement [118.83316133601319]
現在の低照度画像強調(LLIE)の深層学習法は、通常、ペア化されたデータから学んだピクセルワイドマッピングに依存している。
本稿では,拡散モデルを用いたLLIEの劣化認識学習手法を提案する。
論文 参考訳(メタデータ) (2023-07-27T07:22:51Z) - Learning a Single Convolutional Layer Model for Low Light Image
Enhancement [43.411846299085575]
低照度画像強調(LLIE)は、光照射不足による画像の照度向上を目的としている。
粗く強化された結果として,グローバルな低照度化を実現する単一畳み込み層モデル(SCLM)を提案する。
実験結果から,提案手法は客観的指標と主観的視覚効果の両方において,最先端のLLIE法に対して良好に機能することが示された。
論文 参考訳(メタデータ) (2023-05-23T13:12:00Z) - The Loop Game: Quality Assessment and Optimization for Low-Light Image
Enhancement [50.29722732653095]
低照度画像強調手法の設計と最適化は知覚品質によって完全に駆動される必要があるという認識がますます高まっている。
本稿では,低照度画像の高画質化が視覚的品質の向上にどのように最適化されるかを示すループ拡張フレームワークを提案する。
論文 参考訳(メタデータ) (2022-02-20T06:20:06Z) - Improving Aerial Instance Segmentation in the Dark with Self-Supervised
Low Light Enhancement [6.500738558466833]
空中画像の低照度条件は、視覚ベースのアプリケーションの性能に悪影響を及ぼす。
自己監督型で低照度画像を高めることができる新しい手法を提案する。
GANを用いた新しい低照度航空データセットも提案する。
論文 参考訳(メタデータ) (2021-02-10T12:24:40Z) - 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。