論文の概要: Scale Equivariance Regularization and Feature Lifting in High Dynamic Range Modulo Imaging

• arxiv url: http://arxiv.org/abs/2601.23037v1
• Date: Fri, 30 Jan 2026 14:45:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.506388
• Title: Scale Equivariance Regularization and Feature Lifting in High Dynamic Range Modulo Imaging
• Title（参考訳）: 高ダイナミックレンジモジュロイメージングにおけるスケール等分散規則化と特徴リフティング
• Authors: Brayan Monroy, Jorge Bacca,
• Abstract要約: 本研究は,学習に基づくHDR復元フレームワークを提案する。 i)露出変動の下で一貫性を強制するスケール同変正規化、(ii)原モジュロ画像を組み合わせた特徴持ち上げ入力設計、(ii)有限差分を含む2つの重要な戦略が組み込まれている。
• 参考スコア（独自算出の注目度）: 19.49437461280304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modulo imaging enables high dynamic range (HDR) acquisition by cyclically wrapping saturated intensities, but accurate reconstruction remains challenging due to ambiguities between natural image edges and artificial wrap discontinuities. This work proposes a learning-based HDR restoration framework that incorporates two key strategies: (i) a scale-equivariant regularization that enforces consistency under exposure variations, and (ii) a feature lifting input design combining the raw modulo image, wrapped finite differences, and a closed-form initialization. Together, these components enhance the network's ability to distinguish true structure from wrapping artifacts, yielding state-of-the-art performance across perceptual and linear HDR quality metrics.
• Abstract（参考訳）: モジュロイメージングは飽和強度を周期的に包むことで高ダイナミックレンジ(HDR)の獲得を可能にするが、自然画像のエッジと人工ラップの不連続性のあいまいさのため、正確な再構築は依然として困難である。 本研究は,2つの重要な戦略を取り入れた学習型HDR復元フレームワークを提案する。 一 露出変動による一貫性を強制する尺度等変則化及び 二 原モジュロ画像、包括有限差分、閉形式初期化を組み合わせた特徴持ち上げ入力設計。 これらのコンポーネントは、ネットワークの真の構造とアーティファクトのラップを区別する能力を強化し、知覚的および線形HDR品質指標をまたいだ最先端のパフォーマンスを得る。

関連論文リスト

• HAD: Hierarchical Asymmetric Distillation to Bridge Spatio-Temporal Gaps in Event-Based Object Tracking [80.07224739976911]
  イベントカメラは例外的な時間分解能と範囲(モード)を提供する RGBカメラは高解像度でリッチテクスチャを捉えるのに優れていますが、イベントカメラは例外的な時間分解能とレンジ(モダル)を提供します。
  論文  参考訳（メタデータ） (2025-10-22T13:15:13Z)
• Rotation Equivariant Arbitrary-scale Image Super-Resolution [62.41329042683779]
  任意のスケールの超解像(ASISR)は、低解像度の入力画像から任意のスケールの高分解能回復を実現することを目的としている。 本研究では, 回転同変ASISR法の構築に尽力する。
  論文  参考訳（メタデータ） (2025-08-07T08:51:03Z)
• RealRep: Generalized SDR-to-HDR Conversion via Attribute-Disentangled Representation Learning [51.19027658873778]
  WCG(High-Dynamic-Range Wide-Color-Gamut)技術が普及し,標準ダイナミックレンジ(SDR)コンテンツをHDRに変換する必要性が高まっている。 既存の方法は固定トーンマッピング演算子に依存しており、現実世界のSDRコンテンツに存在する様々な外観や劣化を扱うのに苦労している。 本稿では,構成不整合表現の学習により頑健性を高める一般化されたSDR-to- attributeフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-12T08:08:58Z)
• Autoregressive High-Order Finite Difference Modulo Imaging: High-Dynamic Range for Computer Vision Applications [3.4956406636452626]
  高ダイナミックレンジ(グレッシブ)イメージングは、自律運転などのコンピュータビジョンタスクに不可欠な、シーン内のすべての光のトーンを捉えるのに不可欠である。 標準の商用撮像システムは、井戸深度と量子化精度の限界に直面し、HDR能力を妨げている。 我々は、飽和時に信号のリセットを行うモジュロアナログ-デジタルアプローチを開発し、隣接する画素強度を通してピクセルリセットを推定する。
  論文  参考訳（メタデータ） (2025-04-05T16:41:15Z)
• Feature Alignment with Equivariant Convolutions for Burst Image Super-Resolution [52.55429225242423]
  本稿では,同変畳み込みに基づくアライメントを特徴とするBurst Image Super-Resolution (BISR) のための新しいフレームワークを提案する。 これにより、アライメント変換は画像領域の明示的な監督を通じて学習でき、特徴領域に容易に適用できる。 BISRベンチマークの実験は、定量的メトリクスと視覚的品質の両方において、我々のアプローチの優れた性能を示している。
  論文  参考訳（メタデータ） (2025-03-11T11:13:10Z)
• Improving Bracket Image Restoration and Enhancement with Flow-guided Alignment and Enhanced Feature Aggregation [32.69740459810521]
  フローガイド特徴アライメントモジュール(FFAM)と拡張特徴アグリゲーションモジュール(EFAM)による多重露光とアグリゲーションを改善するIREANetを提案する。 実験により,提案したIREANetは従来の手法と比較して最先端性能を示した。
  論文  参考訳（メタデータ） (2024-04-16T07:46:55Z)
• Attention-Guided Progressive Neural Texture Fusion for High Dynamic Range Image Restoration [48.02238732099032]
  本研究では,Attention-guided Progressive Neural Texture Fusion (APNT-Fusion) HDR修復モデルを提案する。 飽和領域におけるテクスチャ特性の伝達とマルチ露光トナーとテクスチャ特徴の融合に着目した,効率的な2ストリーム構造を提案する。 プログレッシブテクスチャブレンディングモジュールは、エンコードされた2ストリーム特徴をマルチスケールかつプログレッシブな方法でブレンドするように設計されている。
  論文  参考訳（メタデータ） (2021-07-13T16:07:00Z)
• Single-Image HDR Reconstruction by Learning to Reverse the Camera Pipeline [100.5353614588565]
  本稿では,LDR画像形成パイプラインの領域知識をモデルに組み込むことを提案する。 我々は,HDRto-LDR画像形成パイプラインを(1)ダイナミックレンジクリッピング,(2)カメラ応答関数からの非線形マッピング,(3)量子化としてモデル化する。 提案手法は,最先端の単一画像HDR再構成アルゴリズムに対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2020-04-02T17:59:04Z)

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。