論文の概要: Boosting Illuminant Estimation in Deep Color Constancy through Enhancing Brightness Robustness

• arxiv url: http://arxiv.org/abs/2502.12418v1
• Date: Tue, 18 Feb 2025 01:36:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-19 14:08:19.716155
• Title: Boosting Illuminant Estimation in Deep Color Constancy through Enhancing Brightness Robustness
• Title（参考訳）: 輝度ロバスト化による深色濃度の高輝度化
• Authors: Mengda Xie, Chengzhi Zhong, Yiling He, Zhan Qin, Meie Fang,
• Abstract要約: 我々は、Deep Neural Network-driven Color Constancyモデルにおいて、色の輝度に重要な要因が与える影響を初めて調査する。 本稿では,BREと呼ばれるDNNCCモデルの簡易かつ効果的な輝度向上戦略を提案する。 BREは、DNNCCモデルの明るさ堅牢性を著しく促進し、対向的な明るさトレーニングと輝度コントラスト損失を統合している。
• 参考スコア（独自算出の注目度）: 7.26894777290052
• License:
• Abstract: Color constancy estimates illuminant chromaticity to correct color-biased images. Recently, Deep Neural Network-driven Color Constancy (DNNCC) models have made substantial advancements. Nevertheless, the potential risks in DNNCC due to the vulnerability of deep neural networks have not yet been explored. In this paper, we conduct the first investigation into the impact of a key factor in color constancy-brightness-on DNNCC from a robustness perspective. Our evaluation reveals that several mainstream DNNCC models exhibit high sensitivity to brightness despite their focus on chromaticity estimation. This sheds light on a potential limitation of existing DNNCC models: their sensitivity to brightness may hinder performance given the widespread brightness variations in real-world datasets. From the insights of our analysis, we propose a simple yet effective brightness robustness enhancement strategy for DNNCC models, termed BRE. The core of BRE is built upon the adaptive step-size adversarial brightness augmentation technique, which identifies high-risk brightness variation and generates augmented images via explicit brightness adjustment. Subsequently, BRE develops a brightness-robustness-aware model optimization strategy that integrates adversarial brightness training and brightness contrastive loss, significantly bolstering the brightness robustness of DNNCC models. BRE is hyperparameter-free and can be integrated into existing DNNCC models, without incurring additional overhead during the testing phase. Experiments on two public color constancy datasets-ColorChecker and Cube+-demonstrate that the proposed BRE consistently enhances the illuminant estimation performance of existing DNNCC models, reducing the estimation error by an average of 5.04% across six mainstream DNNCC models, underscoring the critical role of enhancing brightness robustness in these models.
• Abstract（参考訳）: 色安定度は、発光色度を正色バイアス画像に推定する。 近年,Deep Neural Network-driven Color Constancy (DNNCC)モデルが大幅に進歩している。 それでも、ディープニューラルネットワークの脆弱性によるDNNCCの潜在的なリスクはまだ調査されていない。 本報告では,DNNCCにおける色濃度輝度に対する重要な要因の影響について,ロバストネスの観点から初めて検討する。 評価の結果,色度推定に焦点が当てられているにもかかわらず,いくつかの主流DNNCCモデルでは輝度に対する感度が高いことがわかった。 このことは、既存のDNNCCモデルの潜在的な制限に光を当てている。 そこで本研究では,DNNCCモデルに対して,BREと呼ばれる簡易かつ効果的な輝度頑健性向上戦略を提案する。 BREのコアは、高リスク輝度の変動を識別し、明度調整により拡張画像を生成する適応的なステップサイズ対向輝度増大技術に基づいている。 その後、BREは、DNNCCモデルの輝度ロバスト性を大幅に強化し、対向輝度トレーニングと輝度コントラスト損失を統合した輝度ロバスト性を考慮したモデル最適化戦略を開発した。 BREはハイパーパラメータフリーで、テストフェーズ中に追加のオーバーヘッドを発生させることなく、既存のDNNCCモデルに統合することができる。 提案したBREは既存のDNNCCモデルの照度推定性能を一貫して向上し、6つの主要なDNNCCモデルで平均5.04%の誤差を低減し、これらのモデルにおける輝度堅牢性を高める重要な役割を浮き彫りにした。

関連論文リスト

• DARK: Denoising, Amplification, Restoration Kit [0.7670170505111058]
  本稿では,低照度条件下での画像強調のための軽量な計算フレームワークを提案する。 我々のモデルは軽量に設計されており、標準のコンシューマハードウェア上でのリアルタイムアプリケーションに対する低計算需要と適合性を保証する。
  論文  参考訳（メタデータ） (2024-05-21T16:01:13Z)
• VQCNIR: Clearer Night Image Restoration with Vector-Quantized Codebook [16.20461368096512]
  夜景撮影は、暗い環境や長時間の露光から生じる、暗い光やぼやけなどの課題に苦しむことが多い。 私たちは、データ駆動の高品質な事前処理の強みを信じ、手動による事前処理の制限を回避するために、信頼性と一貫性のある事前処理の提供に努めています。 VQCNIR(Vector-Quantized Codebook)を用いたClearer Night Image Restorationを提案する。
  論文  参考訳（メタデータ） (2023-12-14T02:16:27Z)
• LDM-ISP: Enhancing Neural ISP for Low Light with Latent Diffusion Models [54.93010869546011]
  本稿では,事前学習した潜伏拡散モデルを用いて,超低照度画像の高精細化のためのニューラルISPを実現することを提案する。 具体的には、RAWドメイン上で動作するために事前訓練された潜在拡散モデルを調整するために、軽量なテーミングモジュールのセットをトレーニングする。 遅延拡散モデルにおけるUNet復調と復号化の異なる役割を観察し、低照度画像強調タスクを遅延空間低周波コンテンツ生成と復号位相高周波ディテール保守に分解するきっかけとなる。
  論文  参考訳（メタデータ） (2023-12-02T04:31:51Z)
• Diving into Darkness: A Dual-Modulated Framework for High-Fidelity Super-Resolution in Ultra-Dark Environments [51.58771256128329]
  本稿では,低照度超解像課題の性質を深く理解しようとする,特殊二変調学習フレームワークを提案する。 Illuminance-Semantic Dual Modulation (ISDM) コンポーネントを開発した。 包括的実験は、我々のアプローチが多様で挑戦的な超低照度条件に適用可能であることを示す。
  論文  参考訳（メタデータ） (2023-09-11T06:55:32Z)
• CDAN: Convolutional dense attention-guided network for low-light image enhancement [2.2530496464901106]
  低照度画像は、明度が低下し、色が変色し、細部が小さくなるという課題を生んでいる。 本稿では,低照度画像を改善するための新しいソリューションであるCDAN(Convolutional Dense Attention-guided Network)を紹介する。 CDANは自動エンコーダベースのアーキテクチャと、アテンション機構とスキップ接続によって補完される、畳み込みブロックと密集ブロックを統合している。
  論文  参考訳（メタデータ） (2023-08-24T16:22:05Z)
• Low-Light Image Enhancement with Illumination-Aware Gamma Correction and Complete Image Modelling Network [69.96295927854042]
  低照度環境は通常、情報の少ない大規模な暗黒地帯に繋がる。 本稿では,ガンマ補正の有効性を深層ネットワークのモデリング能力と統合することを提案する。 指数関数演算は高い計算複雑性をもたらすので、Taylor Series を用いてガンマ補正を近似することを提案する。
  論文  参考訳（メタデータ） (2023-08-16T08:46:51Z)
• Impact of Light and Shadow on Robustness of Deep Neural Networks [5.015796849425367]
  ディープニューラルネットワーク(DNN)は、画像分類、セグメンテーション、オブジェクト検出など、様々なコンピュータビジョンタスクにおいて顕著な進歩を遂げている。 近年の研究では、敵攻撃として知られる入力データの故意な操作に直面した先進的なDNNの脆弱性が明らかにされている。 我々は,イメージネットのサブセット内に,各画像に対して24種類の輝度レベルを組み込んだ輝度変化データセットを提案する。
  論文  参考訳（メタデータ） (2023-05-23T15:30:56Z)
• SCRNet: a Retinex Structure-based Low-light Enhancement Model Guided by Spatial Consistency [22.54951703413469]
  本稿では,SCRNet(Spatial Consistency Retinex Network)と呼ばれる,新しい低照度画像強調モデルを提案する。 提案モデルでは, 空間的整合性の原理に着想を得て, チャネルレベル, セマンティックレベル, テクスチャレベルという3つのレベルの整合性を考慮した。 様々な低照度画像データセットに対する広範囲な評価は、提案したSCRNetが既存の最先端手法より優れていることを示している。
  論文  参考訳（メタデータ） (2023-05-14T03:32:19Z)
• Low-Light Hyperspectral Image Enhancement [90.84144276935464]
  本研究は,暗黒領域に隠された空間スペクトル情報を明らかにすることを目的とした,低照度HSI強調タスクに焦点を当てた。 ラプラシアのピラミッドの分解と再構成に基づいて, エンド・ツー・エンドのデータ駆動型低照度HSIエンハンスメント(HSIE)手法を開発した。 定量的評価と視覚効果の両面でのHSIEの有効性と効果を実証した。
  論文  参考訳（メタデータ） (2022-08-05T08:45:52Z)
• 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)
• Towards Query-Efficient Black-Box Adversary with Zeroth-Order Natural Gradient Descent [92.4348499398224]
  ブラックボックスの敵攻撃手法は、実用性や単純さから特に注目されている。 敵攻撃を設計するためのゼロ階自然勾配降下法(ZO-NGD)を提案する。 ZO-NGDは、最先端攻撃法と比較して、モデルクエリの複雑さが大幅に低い。
  論文  参考訳（メタデータ） (2020-02-18T21:48:54Z)

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。