論文の概要: Non-Learning Low-Light Stereo Vision
- arxiv url: http://arxiv.org/abs/2606.00379v1
- Date: Fri, 29 May 2026 21:43:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:28.371978
- Title: Non-Learning Low-Light Stereo Vision
- Title（参考訳）: 非学習型低照度ステレオビジョン
- Abstract要約: ノイズの多い画像から不均一度を推定するための非学習フレームワークを提案する。
FoJ(Field of Junctions)を用いることで、光子ノイズから分離できない微細なテクスチャを破棄しながら、コストボリューム構築のために重いノイズ下で安定な粗い視覚特性を保持する。
得られた構造情報は境界対応のセミ・グロバルマッチング(SGM)を誘導し、スムーズなペナルティを動的に適用して真の不連続性を維持する。
- 参考スコア（独自算出の注目度）: 12.842377848287045
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a non-learning stereo framework for disparity estimation from severely noisy images. Using the Field of Junctions (FoJ), it retains coarse visual features stable under severe noise for cost volume construction while discarding fine textures inseparable from photon noise. The resulting structural information guides boundary-aware Semi-Global Matching (SGM) that dynamically adapts smoothness penalties to preserve true disparity discontinuities. The output is a sparse disparity map more accurate than those of recent stereo algorithms over unmasked pixels on widely-used benchmark datasets.
- Abstract（参考訳）: ノイズの多い画像から不均一度を推定するための非学習ステレオフレームワークを提案する。
FoJ(Field of Junctions)を用いることで、光子ノイズから分離できない微細なテクスチャを破棄しながら、コストボリューム構築のために重いノイズ下で安定な粗い視覚特性を保持する。
得られた構造情報は境界対応のセミ・グロバルマッチング(SGM)を導出し、スムーズなペナルティを動的に適用して真の不連続性を維持する。
出力は、広く使用されているベンチマークデータセット上の未マッピングピクセルよりも、最近のステレオアルゴリズムよりも、より正確なスパース不均一マップである。
関連論文リスト
- Learning Multi-scale Spatial-frequency Features for Image Denoising [58.883244886588336]
本稿では,マルチスケール適応型デュアルドメインネットワーク(MADNet)を提案する。
画像ピラミッド入力を用いて低解像度画像からノイズのない結果を復元する。
高周波情報と低周波情報の相互作用を実現するために,適応型空間周波数学習ユニットを設計する。
論文 参考訳（メタデータ） (2025-06-19T13:28:09Z) - ZeroStereo: Zero-shot Stereo Matching from Single Images [17.560148513475387]
ゼロショットステレオマッチングのための新しいステレオ画像生成パイプラインであるZeroStereoを提案する。
提案手法は, 単眼深度推定モデルにより生成された擬似格差を利用して, 高品質な右画像の合成を行う。
我々のパイプラインは、Scene Flowに匹敵するデータセットボリュームで複数のデータセットにまたがる最先端のゼロショット一般化を実現する。
論文 参考訳（メタデータ） (2025-01-15T08:43:48Z) - Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。
これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。
まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。
次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
論文 参考訳（メタデータ） (2023-05-17T13:56:48Z) - I2V: Towards Texture-Aware Self-Supervised Blind Denoising using
Self-Residual Learning for Real-World Images [8.763680382529412]
pixel-shuffle downsampling (PD) はノイズの空間的相関を排除するために提案されている。
テクスチャ情報を維持するために,PD処理を使わずに自己学習を提案する。
広汎な実験の結果,提案手法は最先端の自己監督型ブラインド・デノイング・アプローチよりも優れていた。
論文 参考訳（メタデータ） (2023-02-21T08:51:17Z) - NLIP: Noise-robust Language-Image Pre-training [95.13287735264937]
雑音調和と雑音補完という2つの手法を用いて事前学習の安定化を図るため,NLIPの原理的手法を提案する。
我々のNLIPは、画像テキスト事前学習における一般的なノイズ効果をより効率的に軽減することができる。
論文 参考訳（メタデータ） (2022-12-14T08:19:30Z) - Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。
事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。
識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
論文 参考訳（メタデータ） (2022-07-19T14:35:42Z) - Learning Model-Blind Temporal Denoisers without Ground Truths [46.778450578529814]
合成データで訓練されたデノイザーは、未知のノイズの多様性に対処できないことが多い。
従来の画像ベース手法は、ビデオデノイザに直接適用した場合、ノイズが過度に収まる。
本稿では,これらの課題に対処する上で有効な,ビデオ・デノベーション・ネットワークの汎用フレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-07T07:19:48Z) - Reconstructing the Noise Manifold for Image Denoising [56.562855317536396]
本稿では,画像ノイズ空間の構造を明示的に活用するcGANを提案する。
画像ノイズの低次元多様体を直接学習することにより、この多様体にまたがる情報のみをノイズ画像から除去する。
我々の実験に基づいて、我々のモデルは既存の最先端アーキテクチャを大幅に上回っている。
論文 参考訳（メタデータ） (2020-02-11T00:31:31Z)
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。