論文の概要: Semi-Supervised High Dynamic Range Image Reconstructing via Bi-Level Uncertain Area Masking

• arxiv url: http://arxiv.org/abs/2511.12939v1
• Date: Mon, 17 Nov 2025 03:46:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.64548
• Title: Semi-Supervised High Dynamic Range Image Reconstructing via Bi-Level Uncertain Area Masking
• Title（参考訳）: 両レベル不確かさ領域マスキングによる半スーパービジョン高ダイナミックレンジ画像再構成
• Authors: Wei Jiang, Jiahao Cui, Yizheng Wu, Zhan Peng, Zhiyu Pan, Zhiguo Cao,
• Abstract要約: 低ダイナミックレンジ(LDR)バーストからの高ダイナミックレンジ(GT)画像の再構成は、計算写真において重要な役割を果たす。 本研究は、教師モデルがGTのないLDRサンプルに対して擬似的なHDR GTを生成するという半教師付き学習の観点からこの問題に対処しようとするものである。 この障害を取り除くために, 疑似GTの信頼できない部分を画素レベルとパッチレベルの両方で破棄する不確実性に基づくマスキング法を提案する。
• 参考スコア（独自算出の注目度）: 31.383880659977223
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reconstructing high dynamic range (HDR) images from low dynamic range (LDR) bursts plays an essential role in the computational photography. Impressive progress has been achieved by learning-based algorithms which require LDR-HDR image pairs. However, these pairs are hard to obtain, which motivates researchers to delve into the problem of annotation-efficient HDR image reconstructing: how to achieve comparable performance with limited HDR ground truths (GTs). This work attempts to address this problem from the view of semi-supervised learning where a teacher model generates pseudo HDR GTs for the LDR samples without GTs and a student model learns from pseudo GTs. Nevertheless, the confirmation bias, i.e., the student may learn from the artifacts in pseudo HDR GTs, presents an impediment. To remove this impediment, an uncertainty-based masking process is proposed to discard unreliable parts of pseudo GTs at both pixel and patch levels, then the trusted areas can be learned from by the student. With this novel masking process, our semi-supervised HDR reconstructing method not only outperforms previous annotation-efficient algorithms, but also achieves comparable performance with up-to-date fully-supervised methods by using only 6.7% HDR GTs.
• Abstract（参考訳）: 低ダイナミックレンジ(LDR)バーストからの高ダイナミックレンジ(HDR)画像の再構成は、計算写真において重要な役割を果たす。 LDR-HDR画像ペアを必要とする学習ベースのアルゴリズムによって、印象的な進歩が達成されている。 しかし、これらのペアは入手が難しいため、研究者はアノテーション効率のよいHDR画像再構成の問題、すなわち限られたHDR基底真理(GT)で同等のパフォーマンスを実現する方法を探る動機となる。 本研究は、教師モデルがGTのないLDRサンプルに対して擬似HDR GTを生成し、学生モデルが擬似GTから学習する半教師学習の観点からこの問題に対処しようとするものである。 それでも、確認バイアス、すなわち、学生は偽HDR GTのアーティファクトから学ぶことができ、障害を提示する。 この障害を除去するために、疑似GTの信頼できない部分をピクセルレベルとパッチレベルの両方で破棄する不確実性に基づくマスキング法を提案し、学生から信頼された領域を学習することができる。 この新しいマスキング法により, 半教師付きHDR再構成法は, 従来のアノテーション効率のアルゴリズムより優れているだけでなく, 6.7%のHDR GTを用いて, 最新の完全教師付き手法と同等の性能を実現する。

関連論文リスト

• A Cycle Ride to HDR: Semantics Aware Self-Supervised Framework for Unpaired LDR-to-HDR Image Reconstruction [12.923760122897193]
  低ダイナミックレンジ(LDR)画像からの高ダイナミックレンジの再構成は重要なコンピュータビジョンタスクである。 サイクルは、自己管理されたセットアップでLDR-再構成タスクに対して意味的および文脈的認識を使用する最初の方法である。
  論文  参考訳（メタデータ） (2024-10-19T11:11:58Z)
• Towards High-quality HDR Deghosting with Conditional Diffusion Models [88.83729417524823]
  高ダイナミックレンジ(LDR)画像は、既存のディープニューラルネットワーク(DNN)技術により、複数の低ダイナミックレンジ(LDR)画像から復元することができる。 DNNは、LDR画像が飽和度と大きな動きを持つ場合、ゴーストアーティファクトを生成する。 拡散モデルの条件としてLDR特徴を利用する画像生成としてHDRデゴースト問題を定式化する。
  論文  参考訳（メタデータ） (2023-11-02T01:53:55Z)
• Self-Supervised High Dynamic Range Imaging with Multi-Exposure Images in Dynamic Scenes [58.66427721308464]
  Selfは、訓練中にダイナミックなマルチ露光画像のみを必要とする自己教師型再構成手法である。 Selfは最先端の自己管理手法に対して優れた結果を出し、教師付き手法に匹敵するパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-10-03T07:10:49Z)
• Efficient HDR Reconstruction from Real-World Raw Images [16.54071503000866]
  エッジデバイス上の高解像度スクリーンは、効率的な高ダイナミックレンジ(HDR)アルゴリズムに対する強い需要を刺激する。 多くの既存のHDRメソッドは不満足な結果をもたらすか、計算資源やメモリ資源を消費する。 本研究では,生画像から直接HDRを再構成し,新しいニューラルネットワーク構造を探索する優れた機会を見出した。
  論文  参考訳（メタデータ） (2023-06-17T10:10:15Z)
• SMAE: Few-shot Learning for HDR Deghosting with Saturation-Aware Masked Autoencoders [97.64072440883392]
  そこで本研究では,SSHDRと呼ばれる2段階の訓練を通した短距離HDRイメージングを実現するための,新しい半教師付きアプローチを提案する。 以前の方法とは異なり、コンテンツを直接回復し、ゴーストを同時に除去することは、最適に達成することが難しい。 実験により、SSHDRは異なるデータセットの内外における定量的かつ定性的に最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-04-14T03:42:51Z)
• GlowGAN: Unsupervised Learning of HDR Images from LDR Images in the Wild [74.52723408793648]
  そこで本研究では,HDR画像の生成モデルを構築するための第1の手法について述べる。 鍵となる考え方は、GAN(Generative Adversarial Network)を訓練して、様々な露光下でLDRに投影された場合、実際のLDR画像と区別できないHDR画像を生成することである。 実験の結果,GlowGANはランドスケープ,雷,窓など多くの難題において,光現実的HDR画像を合成できることがわかった。
  論文  参考訳（メタデータ） (2022-11-22T15:42:08Z)
• A Two-stage Deep Network for High Dynamic Range Image Reconstruction [0.883717274344425]
  本研究では,新しい2段階深層ネットワークを提案することにより,シングルショットLDRからHDRマッピングへの課題に取り組む。 提案手法は,カメラ応答機能(CRF)や露光設定など,ハードウェア情報を知ることなくHDR画像の再構築を図ることを目的とする。
  論文  参考訳（メタデータ） (2021-04-19T15:19:17Z)
• HDR-GAN: HDR Image Reconstruction from Multi-Exposed LDR Images with Large Motions [62.44802076971331]
  マルチ露光LDR画像からHDR画像を合成するための新しいGANモデルHDR-GANを提案する。 本手法は,敵対学習を取り入れることで,欠落したコンテンツのある領域に忠実な情報を生成することができる。
  論文  参考訳（メタデータ） (2020-07-03T11:42:35Z)

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。