論文の概要: QRetinex-Net: Quaternion-Valued Retinex Decomposition for Low-Level Computer Vision Applications

• arxiv url: http://arxiv.org/abs/2507.16683v1
• Date: Tue, 22 Jul 2025 15:17:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-23 21:34:14.178803
• Title: QRetinex-Net: Quaternion-Valued Retinex Decomposition for Low-Level Computer Vision Applications
• Title（参考訳）: QRetinex-Net:低レベルコンピュータビジョン応用のための第四値網膜分解
• Authors: Sos Agaian, Vladimir Frants,
• Abstract要約: 低照度で撮影された画像は、しばしばカラーシフト、低コントラスト、ノイズ、その他コンピュータビジョンの精度を損なうアーティファクトを示している。 レチネックス理論は、画像SをリフレクタンスRと照明Iの画素級積と見なすことでこの問題に対処する。 第1次四元数レチネックスの定式化では、シーンは四元数値の反射率と照明のハミルトン積として記述される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Images taken in low light often show color shift, low contrast, noise, and other artifacts that hurt computer-vision accuracy. Retinex theory addresses this by viewing an image S as the pixel-wise product of reflectance R and illumination I, mirroring the way people perceive stable object colors under changing light. The decomposition is ill-posed, and classic Retinex models have four key flaws: (i) they treat the red, green, and blue channels independently; (ii) they lack a neuroscientific model of color vision; (iii) they cannot perfectly rebuild the input image; and (iv) they do not explain human color constancy. We introduce the first Quaternion Retinex formulation, in which the scene is written as the Hamilton product of quaternion-valued reflectance and illumination. To gauge how well reflectance stays invariant, we propose the Reflectance Consistency Index. Tests on low-light crack inspection, face detection under varied lighting, and infrared-visible fusion show gains of 2-11 percent over leading methods, with better color fidelity, lower noise, and higher reflectance stability.
• Abstract（参考訳）: 低照度で撮影された画像は、しばしばカラーシフト、低コントラスト、ノイズ、その他コンピュータビジョンの精度を損なうアーティファクトを示している。 レチネックス理論は、画像Sを反射率Rと照明Iの画素ワイド積と見なして、人々が光の変化の下で安定した物体色を知覚する方法を反映することによってこの問題に対処する。 分解は不十分であり、古典的なRetinexモデルには4つの重要な欠陥がある。 一 赤、緑、青のチャンネルを別々に扱うこと。 (二)色覚の神経科学的モデルがないこと。 三 入力画像を完全に再構築することができないこと、及び (四)人間の色の一致を説明できないこと。 第1次四元数レチネックスの定式化では、シーンは四元数値の反射率と照明のハミルトン積として記述される。 反射率の不変性を評価するために,反射率一貫性指数(Reflectance Consistency Index)を提案する。 低照度き裂検査、様々な照明下での顔検出、赤外線可視核融合の試験では、先行法よりも2-11パーセント向上し、色忠実性、低ノイズ、反射率安定性が向上した。

関連論文リスト

• After the Party: Navigating the Mapping From Color to Ambient Lighting [48.01497878412971]
  CL3ANは,この種の大規模かつ高解像度なデータセットである。 先導的なアプローチは、照明の不整合、テクスチャリーク、色歪みなどのアーティファクトをしばしば生み出す。 我々は、新しい学習フレームワークを通じて、そのような所望の分解を実現する。
  論文  参考訳（メタデータ） (2025-08-04T08:07:03Z)
• Bright-NeRF:Brightening Neural Radiance Field with Color Restoration from Low-light Raw Images [8.679462472714942]
  本稿では,低照度原画像から高輝度・高画質の放射場を教師なしで学習するBright-NeRFを提案する。 本手法は,色復元,デノナイズ,新規なビュー合成の促進を同時に実現している。
  論文  参考訳（メタデータ） (2024-12-19T05:55:18Z)
• ITRE: Low-light Image Enhancement Based on Illumination Transmission Ratio Estimation [10.26197196078661]
  ノイズ、アーティファクト、過剰露光は、低照度画像強調の分野において重要な課題である。 モデルの起源からノイズやアーティファクトを抑圧するRetinexベースの新しい手法ITREを提案する。 広汎な実験により, 騒音抑制, アーティファクト防止, 露光量の同時制御におけるアプローチの有効性が示された。
  論文  参考訳（メタデータ） (2023-10-08T13:22:20Z)
• Relightify: Relightable 3D Faces from a Single Image via Diffusion Models [86.3927548091627]
  単一画像からの3次元顔BRDF再構成を高精度に行うために,拡散モデルを用いた最初のアプローチを提案する。 既存の手法とは対照的に,観測されたテクスチャを直接入力画像から取得することで,より忠実で一貫した推定が可能となる。
  論文  参考訳（メタデータ） (2023-05-10T11:57:49Z)
• Retinexformer: One-stage Retinex-based Transformer for Low-light Image Enhancement [96.09255345336639]
  低照度画像の高精細化のために,原理化された1段Retinex-based Framework (ORF) を定式化する。 ORFはまず照明情報を推定し、低照度画像を照らす。 我々のアルゴリズムであるRetinexformerは13のベンチマークで最先端の手法を大幅に上回っている。
  論文  参考訳（メタデータ） (2023-03-12T16:54:08Z)
• Fast Two-step Blind Optical Aberration Correction [15.555393702795076]
  本稿では,1つの生画像やJPEG画像の光収差を補正する2段階の手法を提案する。 まず、重複するパッチに対して局所ガウスのぼかしカーネルを推定し、非盲検でそれらをシャープ化する。 第2に、畳み込みニューラルネットワークを用いて、残りの横色収差を除去する。
  論文  参考訳（メタデータ） (2022-08-01T16:04:46Z)
• Invariant Descriptors for Intrinsic Reflectance Optimization [15.638996731038231]
  固有の画像分解は、画像をアルベド(反射)とシェーディング(照明)サブコンポーネントに分解することを目的としている。 不適切で制約の少ないコンピュータビジョン問題である。 我々のアプローチは物理学に基づく、学習のないもので、より正確で堅牢な反射率分解をもたらす。
  論文  参考訳（メタデータ） (2022-04-08T13:52:13Z)
• Learning Enriched Illuminants for Cross and Single Sensor Color Constancy [182.4997117953705]
  ネットワークをトレーニングするためのクロスセンサ自己教師型トレーニングを提案する。 センサに依存しない方法で人工発光体をランダムにサンプリングすることでネットワークを訓練する。 実験により、我々のクロスセンサモデルとシングルセンサーモデルは、他の最先端手法よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-21T15:45:35Z)
• NeRFactor: Neural Factorization of Shape and Reflectance Under an Unknown Illumination [60.89737319987051]
  照明条件が不明な物体の多視点像から物体の形状と空間的反射率を復元する問題に対処する。 これにより、任意の環境照明下でのオブジェクトの新たなビューのレンダリングや、オブジェクトの材料特性の編集が可能になる。
  論文  参考訳（メタデータ） (2021-06-03T16:18:01Z)
• 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)
• A Switched View of Retinex: Deep Self-Regularized Low-Light Image Enhancement [5.217306793654357]
  自己正規化低光度画像強調は、トレーニングにおいて通常の光画像を必要としないため、ペアまたはペアなしの低光/非正規画像のチェーンから解放される。 本稿では,すべての色(Hue, Saturation)を保存し,Retinex理論を輝度(Value)にのみ統合する,Retinexに基づく新たな自己正規化手法を提案する。 本手法は、低光度画像を色と明るさの2つのサブスペースに分離し、保存と拡張性を向上させるため効率的である。
  論文  参考訳（メタデータ） (2021-01-03T10:40:31Z)

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。