論文の概要: DCA-LUT: Deep Chromatic Alignment with 5D LUT for Purple Fringing Removal
- arxiv url: http://arxiv.org/abs/2511.12066v1
- Date: Sat, 15 Nov 2025 07:11:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-18 14:36:23.579345
- Title: DCA-LUT: Deep Chromatic Alignment with 5D LUT for Purple Fringing Removal
- Title（参考訳）: DCA-LUT : 5D LUTを用いたパープルフィング除去のための深色アライメント
- Authors: Jialang Lu, Shuning Sun, Pu Wang, Chen Wu, Feng Gao, Lina Gong, Dianjie Lu, Guijuan Zhang, Zhuoran Zheng,
- Abstract要約: DCA-LUTは紫のフリング除去のための最初のディープラーニングフレームワークである。
この問題の物理的ルーツにインスパイアされた我々は、新しいクロマティック・アウェア・コーディネート・トランスフォーメーション(CA-CT)モジュールを導入する。
学習した5Dルックアップテーブル(5D LUT)により最終色補正を行う。
- 参考スコア（独自算出の注目度）: 18.657059101949887
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purple fringing, a persistent artifact caused by Longitudinal Chromatic Aberration (LCA) in camera lenses, has long degraded the clarity and realism of digital imaging. Traditional solutions rely on complex and expensive apochromatic (APO) lens hardware and the extraction of handcrafted features, ignoring the data-driven approach. To fill this gap, we introduce DCA-LUT, the first deep learning framework for purple fringing removal. Inspired by the physical root of the problem, the spatial misalignment of RGB color channels due to lens dispersion, we introduce a novel Chromatic-Aware Coordinate Transformation (CA-CT) module, learning an image-adaptive color space to decouple and isolate fringing into a dedicated dimension. This targeted separation allows the network to learn a precise ``purple fringe channel", which then guides the accurate restoration of the luminance channel. The final color correction is performed by a learned 5D Look-Up Table (5D LUT), enabling efficient and powerful% non-linear color mapping. To enable robust training and fair evaluation, we constructed a large-scale synthetic purple fringing dataset (PF-Synth). Extensive experiments in synthetic and real-world datasets demonstrate that our method achieves state-of-the-art performance in purple fringing removal.
- Abstract（参考訳）: カメラレンズにおける縦長クロマティック収差(LCA)による永続的な人工物であるパープルフレージングは、デジタル画像の明瞭さとリアリズムを長年劣化させてきた。
従来のソリューションは、複雑で高価なアポクロマティック(APO)レンズハードウェアと手作りの特徴の抽出に依存しており、データ駆動のアプローチを無視している。
このギャップを埋めるために、紫のフリング除去のための最初のディープラーニングフレームワークであるDCA-LUTを導入する。
この問題の物理的ルーツ,レンズ分散によるRGB色チャネルの空間的ずれに着想を得て,新しいクロマティック・アウェア・コーディネート・トランスフォーメーション(CA-CT)モジュールを導入する。
このターゲット分離により、ネットワークは正確な‘紫外域チャネル’を学習し、輝度チャネルの正確な復元を導くことができる。
最終色補正は、学習した5Dルックアップテーブル(5D LUT)により行われ、効率良く、かつ、非線形な色マッピングを可能にする。
堅牢なトレーニングと公正な評価を可能にするため,大規模な合成紫色フレージングデータセット(PF-Synth)を構築した。
合成および実世界のデータセットにおける大規模な実験により,紫色フレーミング除去における最先端性能が得られた。
関連論文リスト
- CAST-LUT: Tokenizer-Guided HSV Look-Up Tables for Purple Flare Removal [23.950152572091543]
分離されたHSVルックアップテーブル(LUT)上に構築された新しいネットワークを提案する。
本手法は,Hue (H), Saturation (S), Value (V)コンポーネントを独立に調整することで,色補正を簡略化することを目的とする。
我々のモデルは、視覚効果において既存の手法を著しく上回るだけでなく、あらゆる定量的指標に対して最先端のパフォーマンスも達成する。
論文 参考訳（メタデータ） (2025-11-10T06:45:03Z) - HVI-CIDNet+: Beyond Extreme Darkness for Low-Light Image Enhancement [56.02740727422916]
低光画像強調(LLIE)は、劣化した低光画像から鮮明なコンテンツと詳細を復元することを目的としている。
既存の標準RGB(sRGB)カラースペースベースのLLIE法は、しばしば色バイアスと明るさのアーチファクトを生成する。
HV色マップと学習可能な強度によって定義されるLLIEの新しい色空間を提案する。
HVI-CIDNet+はHVI色空間上に構築されており、損傷したコンテンツを復元し、極暗い領域における色歪みを軽減する。
論文 参考訳（メタデータ） (2025-07-09T13:03:34Z) - DSDNet: Raw Domain Demoiréing via Dual Color-Space Synergy [33.10273685997384]
我々はDSDNet(Dual-Stream Demoir'eing Network)という,シングルステージの生ドメインデモアリングフレームワークを提案する。
輝度補正とモワール除去を導出するために、生-YCbCrマッピングパイプラインを設計する。
また,カラー忠実度向上のためのLCAT (Luminance-Chrominance Adaptive Transformer) も開発した。
論文 参考訳（メタデータ） (2025-04-22T10:09:33Z) - An Adaptive Underwater Image Enhancement Framework via Multi-Domain Fusion and Color Compensation [0.6144680854063939]
水中光学イメージングは、光吸収、散乱、色歪みによって著しく劣化する。
本稿では,照明補償,マルチドメインフィルタリング,動的色補正を統合した適応型拡張フレームワークを提案する。
ベンチマークデータセットを用いた実験結果から,コントラスト強化,色補正,構造保存における最先端手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2025-03-05T16:19:56Z) - Retinex-RAWMamba: Bridging Demosaicing and Denoising for Low-Light RAW Image Enhancement [71.13353154514418]
低照度画像の強化、特に生ドメインからsRGBドメインへのマッピングのようなクロスドメインタスクは、依然として大きな課題である。
RAWMambaと呼ばれる低照度RAW画像用にカスタマイズされた新しいMambaベースの手法を提案する。
低照度RAW画像の高精細化を図り、復調を施すことにより、高精細化を実現する。
論文 参考訳（メタデータ） (2024-09-11T06:12:03Z) - CVT-xRF: Contrastive In-Voxel Transformer for 3D Consistent Radiance Fields from Sparse Inputs [65.80187860906115]
スパース入力によるNeRFの性能向上のための新しい手法を提案する。
まず, サンプル線が, 3次元空間内の特定のボクセルと交差することを保証するために, ボクセルを用いた放射線サンプリング戦略を採用する。
次に、ボクセル内の追加点をランダムにサンプリングし、トランスフォーマーを適用して各線上の他の点の特性を推測し、ボリュームレンダリングに組み込む。
論文 参考訳（メタデータ） (2024-03-25T15:56:17Z) - Cross-Camera Deep Colorization [10.254243409261898]
本稿では,カラープラスモノデュアルカメラシステムからの画像の整列と融合を行う,エンドツーエンドの畳み込みニューラルネットワークを提案する。
提案手法は,約10dBPSNRゲインの大幅な改善を継続的に達成する。
論文 参考訳（メタデータ） (2022-08-26T11:02:14Z) - 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)
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。