論文の概要: DeepFusionNet: Autoencoder-Based Low-Light Image Enhancement and Super-Resolution

• arxiv url: http://arxiv.org/abs/2510.10122v1
• Date: Sat, 11 Oct 2025 09:04:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.796737
• Title: DeepFusionNet: Autoencoder-Based Low-Light Image Enhancement and Super-Resolution
• Title（参考訳）: DeepFusionNet: オートエンコーダベースの低光画像強調と超解像
• Authors: Halil Hüseyin Çalışkan, Talha Koruk,
• Abstract要約: 低光と暗い画像は、オートエンコーダを使用して明るい色に変換される。 DeepFusionNetアーキテクチャはこれらの課題に対処する。 SSIMは92.8%、PSNRは26.30で、パラメータは250万である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computer vision and image processing applications suffer from dark and low-light images, particularly during real-time image transmission. Currently, low light and dark images are converted to bright and colored forms using autoencoders; however, these methods often achieve low SSIM and PSNR scores and require high computational power due to their large number of parameters. To address these challenges, the DeepFusionNet architecture has been developed. According to the results obtained with the LOL-v1 dataset, DeepFusionNet achieved an SSIM of 92.8% and a PSNR score of 26.30, while containing only approximately 2.5 million parameters. On the other hand, conversion of blurry and low-resolution images into high-resolution and blur-free images has gained importance in image processing applications. Unlike GAN-based super-resolution methods, an autoencoder-based super resolution model has been developed that contains approximately 100 thousand parameters and uses the DeepFusionNet architecture. According to the results of the tests, the DeepFusionNet based super-resolution method achieved a PSNR of 25.30 and a SSIM score of 80.7 percent according to the validation set.
• Abstract（参考訳）: コンピュータビジョンと画像処理アプリケーションは、特にリアルタイム画像伝送において暗黒および低照度画像に悩まされる。 現在、低照度画像と暗黒画像はオートエンコーダを用いて明るい色に変換されているが、これらの手法はSSIMとPSNRのスコアが低く、パラメータの多さから高い計算能力を必要とすることが多い。 これらの課題に対処するため、DeepFusionNetアーキテクチャが開発された。 LOL-v1データセットで得られた結果によると、DeepFusionNetのSSIMは92.8%、PSNRのスコアは26.30だった。 一方,高解像度・高解像度画像へのボケ・低解像度画像の変換は画像処理において重要視されている。 GANベースの超解像法とは異なり、約10万のパラメータを含むオートエンコーダベースの超解像モデルが開発され、DeepFusionNetアーキテクチャを使用している。 テストの結果によると、DeepFusionNetベースの超解像法はPSNRが25.30、SSIMが80.7%に達した。

関連論文リスト

• A Tree-guided CNN for image super-resolution [50.30242741813306]
  画像超解像のためのツリー誘導CNN(TSRNet)を設計する。 ツリーアーキテクチャを使ってディープネットワークを誘導し、キーノードの効果を高め、階層的な情報の関係を増幅する。 得られた構造情報の不足を防止するため、TSRNetのコサイン変換技術を用いて画像超解像の性能を向上させる。
  論文  参考訳（メタデータ） (2025-06-03T08:05:11Z)
• Symmetric Uncertainty-Aware Feature Transmission for Depth Super-Resolution [52.582632746409665]
  カラー誘導DSRのためのSymmetric Uncertainty-aware Feature Transmission (SUFT)を提案する。 本手法は最先端の手法と比較して優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-06-01T06:35:59Z)
• Infrared Image Deturbulence Restoration Using Degradation Parameter-Assisted Wide & Deep Learning [12.305318121246277]
  本研究では,パラメータ支援型マルチフレームネットワークであるDparNetを提案する。 DparNetは、外部の知識なしに、劣化した画像から直接劣化を学習する。 修復性能と効率性において、ステート・オブ・ザ・アーツ(SOTA)法を著しく上回っている。
  論文  参考訳（メタデータ） (2023-05-30T03:24:09Z)
• CoordFill: Efficient High-Resolution Image Inpainting via Parameterized Coordinate Querying [52.91778151771145]
  本稿では,近年の連続的暗黙表現の発達により,その限界を初めて破ろうとする。 実験の結果,提案手法はGTX 2080 Ti GPUを用いて2048$times$2048の画像をリアルタイムに処理できることがわかった。
  論文  参考訳（メタデータ） (2023-03-15T11:13:51Z)
• Extremely Lightweight Quantization Robust Real-Time Single-Image Super Resolution for Mobile Devices [0.0]
  シングルイメージ・スーパーレゾリューション(SISR)は古典的なコンピュータビジョンの問題であり、数十年にわたって研究されてきた。 SISRに関する最近の研究は、ディープラーニングの方法論に焦点を合わせ、最先端の結果を得る。 ハードウェア(Synaptics Dolphin NPU)を意識した超軽量量子化ロバストリアルタイム超解像ネットワーク(XLSR)を提案する。
  論文  参考訳（メタデータ） (2021-05-21T11:29:48Z)
• Asymmetric CNN for image super-resolution [102.96131810686231]
  深層畳み込みニューラルネットワーク(CNN)は、過去5年間で低レベルビジョンに広く適用されています。 画像超解像のための非対称ブロック(AB)、mem?ory拡張ブロック(MEB)、高周波数特徴強調ブロック(HFFEB)からなる非対称CNN(ACNet)を提案する。 我々のACNetは、ブラインドノイズの単一画像超解像(SISR)、ブラインドSISR、ブラインドSISRを効果的に処理できる。
  論文  参考訳（メタデータ） (2021-03-25T07:10:46Z)
• CNNs for JPEGs: A Study in Computational Cost [49.97673761305336]
  畳み込みニューラルネットワーク(CNN)は過去10年間で驚くべき進歩を遂げてきた。 CNNはRGBピクセルから直接データの堅牢な表現を学習することができる。 近年,圧縮領域から直接学習できる深層学習手法が注目されている。
  論文  参考訳（メタデータ） (2020-12-26T15:00:10Z)
• Real Image Super Resolution Via Heterogeneous Model Ensemble using GP-NAS [63.48801313087118]
  本稿では,高密度スキップ接続を有するディープ残差ネットワークを用いた画像超解像法を提案する。 提案手法は、AIM 2020 Real Image Super-Resolution Challengeの3トラックで1位を獲得した。
  論文  参考訳（メタデータ） (2020-09-02T22:33:23Z)
• Contextual Residual Aggregation for Ultra High-Resolution Image Inpainting [12.839962012888199]
  そこで本稿では,CRA(Contextual Residual Aggregation)機構を提案する。 CRA機構は、コンテキストパッチからの残基の重み付けにより、欠落した内容に対して高周波残基を生成する。 提案手法は,解像度512×512の小型画像に対して学習し,高解像度画像に対する推論を行い,良好な塗装品質を実現する。
  論文  参考訳（メタデータ） (2020-05-19T18:55:32Z)

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。