論文の概要: A Comprehensive Survey on Image Signal Processing Approaches for Low-Illumination Image Enhancement

• arxiv url: http://arxiv.org/abs/2502.05995v1
• Date: Sun, 09 Feb 2025 18:59:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-11 14:31:55.985506
• Title: A Comprehensive Survey on Image Signal Processing Approaches for Low-Illumination Image Enhancement
• Title（参考訳）: 低照度画像強調のための画像信号処理手法に関する総合的研究
• Authors: Muhammad Turab,
• Abstract要約: 人々がより視覚的に集中するようになるにつれて、高品質なグラフィック情報の必要性が高まっています。 キャプチャされた画像は、しばしば可視性が悪く、画像キャプチャ装置や照明条件の制限により、高いノイズが生じる。 しかし、ディープラーニングに基づく手法は、最近この分野で進歩を遂げた。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The usage of digital content (photos and videos) in a variety of applications has increased due to the popularity of multimedia devices. These uses include advertising campaigns, educational resources, and social networking platforms. There is an increasing need for high-quality graphic information as people become more visually focused. However, captured images frequently have poor visibility and a high amount of noise due to the limitations of image-capturing devices and lighting conditions. Improving the visual quality of images taken in low illumination is the aim of low-illumination image enhancement. This problem is addressed by traditional image enhancement techniques, which alter noise, brightness, and contrast. Deep learning-based methods, however, have dominated recently made advances in this area. These methods have effectively reduced noise while preserving important information, showing promising results in the improvement of low-illumination images. An extensive summary of image signal processing methods for enhancing low-illumination images is provided in this paper. Three categories are classified in the review for approaches: hybrid techniques, deep learning-based methods, and traditional approaches. Conventional techniques include denoising, automated white balancing, and noise reduction. Convolutional neural networks (CNNs) are used in deep learningbased techniques to recognize and extract characteristics from low-light images. To get better results, hybrid approaches combine deep learning-based methodologies with more conventional methods. The review also discusses the advantages and limitations of each approach and provides insights into future research directions in this field.
• Abstract（参考訳）: 様々なアプリケーションにおけるデジタルコンテンツ(写真やビデオ)の利用は、マルチメディアデバイスの普及により増加している。 これらの利用には、広告キャンペーン、教育資源、ソーシャルネットワークプラットフォームなどが含まれる。 人々がより視覚的に集中するようになるにつれて、高品質なグラフィック情報の必要性が高まっています。 しかし、撮像された画像は視界が悪く、撮影装置の限界や照明条件のためにノイズが多いことが多い。 低照度で撮影された画像の視覚的品質を向上させることが、低照度画像強調の目的である。 この問題は、ノイズ、明るさ、コントラストを変化させる従来の画像強調技術によって解決される。 しかし、ディープラーニングに基づく手法は、最近この分野で進歩を遂げた。 これらの手法は重要な情報を保持しながらノイズを効果的に低減し、低照度画像の改善に有望な結果を示す。 本稿では,低照度画像の高精細化のための画像処理手法について概説する。 3つのカテゴリは、ハイブリッド技術、ディープラーニングベースの手法、従来のアプローチのレビューに分類されている。 従来の手法としては、騒音の除去、ホワイトバランスの自動化、ノイズ低減などがある。 畳み込みニューラルネットワーク(CNN)は、低照度画像から特徴を認識し、抽出するためにディープラーニング技術で使用される。 より優れた結果を得るために、ハイブリッドアプローチはディープラーニングベースの方法論とより伝統的な手法を組み合わせる。 レビューでは、各アプローチの利点と限界についても論じ、この分野における今後の研究方向性についての洞察を提供する。

関連論文リスト

• Semi-LLIE: Semi-supervised Contrastive Learning with Mamba-based Low-light Image Enhancement [59.17372460692809]
  本研究は、平均教師による半教師付き低照度強化(Semi-LLIE)フレームワークを提案する。 照度分布を忠実に伝達するために、意味認識によるコントラスト損失を導入し、自然色による画像の強調に寄与する。 また,大規模な視覚言語認識モデル(RAM)に基づく新たな知覚損失を提案し,よりリッチなテキストによる画像生成を支援する。
  論文  参考訳（メタデータ） (2024-09-25T04:05:32Z)
• Inhomogeneous illumination image enhancement under ex-tremely low visibility condition [3.534798835599242]
  濃霧を通した画像は、物体の検出や認識の曖昧化といったアプリケーションに不可欠な視覚情報を欠いているため、従来の画像処理手法を妨げている。 本稿では,構造微分・積分フィルタ(F)に基づく背景照明を適応的にフィルタし,信号情報のみを向上させる手法を提案する。 提案手法は, 極めて低視認性条件下で信号の明瞭度を著しく向上し, 既存の技術よりも優れており, 深部霧画像への応用に大きく貢献することを示した。
  論文  参考訳（メタデータ） (2024-04-26T16:09:42Z)
• 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)
• 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)
• Lighting the Darkness in the Deep Learning Era [118.35081853500411]
  低照度画像強調(LLIE)は、照明の弱い環境で撮影された画像の知覚や解釈性を改善することを目的としている。 この分野における最近の進歩は、ディープラーニングベースのソリューションが支配的です。 アルゴリズム分類から未解決の未解決問題まで,さまざまな側面をカバーする包括的な調査を行う。
  論文  参考訳（メタデータ） (2021-04-21T19:12:19Z)
• Deep Bilateral Retinex for Low-Light Image Enhancement [96.15991198417552]
  低照度画像は、低コントラスト、色歪み、測定ノイズによる視界の低下に悩まされる。 本稿では,低照度画像強調のための深層学習手法を提案する。 提案手法は最先端の手法と非常に競合し, 極めて低照度で撮影した画像の処理において, 他に比べて大きな優位性を有する。
  論文  参考訳（メタデータ） (2020-07-04T06:26:44Z)
• 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)
• Burst Denoising of Dark Images [19.85860245798819]
  超暗い生画像からクリーンでカラフルなRGB画像を得るためのディープラーニングフレームワークを提案する。 我々のフレームワークのバックボーンは、プログレッシブな方法で高品質な出力を生成する新しい粗いネットワークアーキテクチャである。 実験により,提案手法は最先端の手法よりも知覚的により満足な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-03-17T17:17:36Z)

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。