論文の概要: RT-X Net: RGB-Thermal cross attention network for Low-Light Image Enhancement

• arxiv url: http://arxiv.org/abs/2505.24705v1
• Date: Fri, 30 May 2025 15:26:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:53.035097
• Title: RT-X Net: RGB-Thermal cross attention network for Low-Light Image Enhancement
• Title（参考訳）: RT-Xネット:低照度画像強調のためのRGBサーマルクロスアテンションネットワーク
• Authors: Raman Jha, Adithya Lenka, Mani Ramanagopal, Aswin Sankaranarayanan, Kaushik Mitra,
• Abstract要約: 本稿では,RT-XNetを提案する。RT-XNetはRGBとサーマルイメージを融合して夜間画像の強調を行うネットワークである。 我々は,自己注意ネットワークを特徴抽出と融合のための相互注意機構に活用する。 公開されているLLVIPデータセットとV-TIEEデータセットの大規模な評価は、RT-X Netが低照度画像強調において最先端の手法より優れていることを示している。
• 参考スコア（独自算出の注目度）: 12.345168654268475
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In nighttime conditions, high noise levels and bright illumination sources degrade image quality, making low-light image enhancement challenging. Thermal images provide complementary information, offering richer textures and structural details. We propose RT-X Net, a cross-attention network that fuses RGB and thermal images for nighttime image enhancement. We leverage self-attention networks for feature extraction and a cross-attention mechanism for fusion to effectively integrate information from both modalities. To support research in this domain, we introduce the Visible-Thermal Image Enhancement Evaluation (V-TIEE) dataset, comprising 50 co-located visible and thermal images captured under diverse nighttime conditions. Extensive evaluations on the publicly available LLVIP dataset and our V-TIEE dataset demonstrate that RT-X Net outperforms state-of-the-art methods in low-light image enhancement. The code and the V-TIEE can be found here https://github.com/jhakrraman/rt-xnet.
• Abstract（参考訳）: 夜間条件では、高ノイズレベルと明るい照明源が画質を劣化させ、低照度画像の強調を困難にする。 熱画像は補足的な情報を提供し、より豊かなテクスチャと構造の詳細を提供する。 本稿では,RT-XNetを提案する。RT-XNetはRGBとサーマルイメージを融合して夜間画像の強調を行うネットワークである。 我々は,特徴抽出のための自己注意ネットワークと融合のための相互注意機構を活用し,両モードからの情報を効果的に統合する。 この領域の研究を支援するために、夜間の多様な条件下で撮影された50の可視・熱画像からなる可視・熱画像強調評価(V-TIEE)データセットを紹介した。 公開されているLLVIPデータセットとV-TIEEデータセットの大規模な評価は、RT-X Netが低照度画像強調において最先端の手法より優れていることを示している。 コードとV-TIEEはhttps://github.com/jhakrraman/rt-xnetで確認できる。

関連論文リスト

• DFVO: Learning Darkness-free Visible and Infrared Image Disentanglement and Fusion All at Once [57.15043822199561]
  可視・赤外画像のアンタングル化と融合を同時に行うためのダークネスフリーネットワーク(DFVO)を提案する。 DFVOは、従来の2段階のカスケードトレーニング(エンハンスメントと融合)を置き換えるために、ケースケードマルチタスクアプローチを採用している 提案手法は,定性的および定量的評価の観点から,最先端の代替品よりも優れている。
  論文  参考訳（メタデータ） (2025-05-07T15:59:45Z)
• You Only Need One Color Space: An Efficient Network for Low-light Image Enhancement [50.37253008333166]
  低照度画像強調(LLIE)タスクは、劣化した低照度画像から詳細と視覚情報を復元する傾向がある。 水平/垂直インテンシティ(HVI)と呼ばれる新しいトレーニング可能なカラー空間を提案する。 輝度と色をRGBチャネルから切り離して、拡張中の不安定性を緩和するだけでなく、トレーニング可能なパラメータによって異なる照明範囲の低照度画像にも適応する。
  論文  参考訳（メタデータ） (2024-02-08T16:47:43Z)
• Division Gets Better: Learning Brightness-Aware and Detail-Sensitive Representations for Low-Light Image Enhancement [10.899693396348171]
  LCDBNetは、輝度調整ネットワーク(LAN)と色復元ネットワーク(CRN)の2つのブランチで構成されている。 LANは、長距離依存と局所的な注意相関を利用した輝度認識機能を学ぶ責任を負う。 CRNはマルチレベルウェーブレット分解によるディテールセンシティブな特徴の学習に重点を置いている。 最後に、融合ネットワークは、学習した特徴をブレンドして視覚的に印象的な画像を生成するように設計されている。
  論文  参考訳（メタデータ） (2023-07-18T09:52:48Z)
• Enhancing Low-Light Images Using Infrared-Encoded Images [81.8710581927427]
  従来の芸術は、主にピクセルワイド・ロスを用いて可視光スペクトルで捉えた低照度画像に焦点を当てていた。 我々は,赤外線カットオフフィルタを除去することにより,低照度環境下で撮影された画像の可視性を高める新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-07-09T08:29:19Z)
• Seeing Through The Noisy Dark: Toward Real-world Low-Light Image Enhancement and Denoising [125.56062454927755]
  現実の低照度環境は通常、光やハードウェアの限界が不足しているため、視界が低く、騒音が重い。 我々は、RLED-Net(Real-world Low-light Enhancement & Denoising Network)と呼ばれる新しいエンドツーエンド手法を提案する。
  論文  参考訳（メタデータ） (2022-10-02T14:57:23Z)
• Enhancing Low-Light Images in Real World via Cross-Image Disentanglement [58.754943762945864]
  そこで本研究では,現実の汚職とミスアライメントされたトレーニング画像からなる,新しい低照度画像強調データセットを提案する。 本モデルでは,新たに提案したデータセットと,他の一般的な低照度データセットの両方に対して,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-01-10T03:12:52Z)

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。