論文の概要: Physics Guided Diffusion Model Based Exposure Interpolation for High Dynamic Range Imaging
- arxiv url: http://arxiv.org/abs/2610.37135v1
- Date: Tue, 27 Oct 2026 12:32:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-29 04:15:49.269439
- Title: Physics Guided Diffusion Model Based Exposure Interpolation for High Dynamic Range Imaging
- Title（参考訳）: 高ダイナミックレンジイメージングのための物理誘導拡散モデルに基づく露光補間
- Abstract要約: 効果的な解決策は、シングルショットで2つの大きな露光比(LER)標準ダイナミックレンジ(SDR)画像を同時にキャプチャすることである。
2つのLER画像を直接融合させると、輝度秩序反転(BOR)アーティファクトが生成される。
2つのLER画像の露光時間の間に、露光時間で画像を補間することが重要である。
物理誘導拡散モデルに基づく新しい露光アルゴリズムがBORアーティファクトに対処するために提案されている。
- 参考スコア（独自算出の注目度）: 16.680305263977868
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ghosting artifacts are an open problem for popular multi-shot based high dynamic range (HDR) imaging. An effective solution is to capture two large-exposure-ratio (LER) standard dynamic range (SDR) images simultaneously via a single-shot. Brightness order reversal (BOR) artifacts are generated when the two LER images are directly fused together. It is crucial to interpolate an image with an exposure time in between the exposure times of two LER images. In this paper, a novel physics-guided diffusion model based exposure interpolation algorithm is proposed to address the BOR artifacts. An initial image is interpolated by a physics-driven component, and the residual high-frequency details are generated by a new diffusion model based component. The new diffusion model is based on the correlation analysis of generative models and includes a new predicted target to reduce the variation of the Pearson correlation between the noisy data and the target, as well as the amplification factor of the fitting error. Compared with existing neural augmented exposure interpolation algorithms on top of convolution neural networks, the proposed exposure interpolation algorithm has an inherent advantage to generate more high frequency information. Experiment results validate the proposed exposure interpolation algorithm.
- Abstract（参考訳）: ゴーストアーティファクトは、一般的なマルチショットベースハイダイナミックレンジ(HDR)イメージングのオープンな問題である。
効果的な解決策は、シングルショットで2つの大きな露光比(LER)標準ダイナミックレンジ(SDR)画像を同時にキャプチャすることである。
2つのLER画像を直接融合させると、輝度秩序反転(BOR)アーティファクトが生成される。
2つのLER画像の露光時間の間に、露光時間で画像を補間することが重要である。
本稿では,物理誘導拡散モデルに基づく新しい露光補間法を提案し,BORアーティファクトに対処する。
初期画像を物理駆動成分で補間し、残高周波数の詳細を新しい拡散モデルベース成分で生成する。
新しい拡散モデルは、生成モデルの相関解析に基づいており、ノイズデータとターゲット間のピアソン相関のばらつきを減少させる新しい予測対象と、適合誤差の増幅係数を含む。
畳み込みニューラルネットワーク上の既存のニューラル拡張露光補間アルゴリズムと比較して、提案した露光補間アルゴリズムは、より高周波情報を生成するために固有の利点がある。
実験結果は,提案した露光補間アルゴリズムを検証した。
関連論文リスト
- Latent Forcing: Reordering the Diffusion Trajectory for Pixel-Space Image Generation [36.41177812868683]
遅延拡散モデルは高品質な画像を生成するのに優れるが、エンドツーエンドのモデリングの利点は失われる。
本稿では,生の自然画像上での潜伏拡散の効率性を実現するため,既存のアーキテクチャを簡易に修正した潜伏強制法を提案する。
Latent Forcingは、我々の計算スケールで拡散トランスフォーマーベースのピクセル生成のための新しい最先端を実現する。
論文 参考訳（メタデータ） (2026-02-11T22:09:58Z) - A locally statistical active contour model for SAR image segmentation can be solved by denoising algorithms [0.881121308982678]
I-divergence-TV denoisingモデルに基づく局所統計的変動型アクティブな輪郭モデルを提案する。
最近,Jia-Zhaoによって提案された高速復調アルゴリズムに着想を得て,SAR画像分割問題の解法として2つの高速固定点アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-01-10T00:27:14Z) - A Dual Domain Multi-exposure Image Fusion Network based on the
Spatial-Frequency Integration [57.14745782076976]
マルチ露光画像融合は、異なる露光で画像を統合することにより、単一の高ダイナミック画像を生成することを目的としている。
本稿では,MEF-SFI と呼ばれる空間周波数統合フレームワークによるマルチ露光画像融合の新たな視点を提案する。
提案手法は,最先端のマルチ露光画像融合手法に対する視覚的近似核融合結果を実現する。
論文 参考訳（メタデータ） (2023-12-17T04:45:15Z) - 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) - PartDiff: Image Super-resolution with Partial Diffusion Models [3.8435187580887717]
拡散確率モデル(DDPM)は,様々な画像生成タスクにおいて顕著な性能を達成している。
DDPMは、ランダムノイズから反復的にデノイングすることで、新しいデータを生成する。
しかし、拡散に基づく生成モデルは、多くのデノナイジングステップのために高い計算コストに悩まされる。
本稿では,部分拡散モデル (PartDiff) を提案する。
論文 参考訳（メタデータ） (2023-07-21T22:11:23Z) - ExposureDiffusion: Learning to Expose for Low-light Image Enhancement [87.08496758469835]
この研究は、拡散モデルと物理ベースの露光モデルとをシームレスに統合することで、この問題に対処する。
提案手法は,バニラ拡散モデルと比較して性能が大幅に向上し,推論時間を短縮する。
提案するフレームワークは、実際のペア付きデータセット、SOTAノイズモデル、および異なるバックボーンネットワークの両方で動作する。
論文 参考訳（メタデータ） (2023-07-15T04:48:35Z) - Denoising Diffusion Models for Plug-and-Play Image Restoration [135.6359475784627]
本稿では,従来のプラグアンドプレイ方式を拡散サンプリングフレームワークに統合したDiffPIRを提案する。
DiffPIRは、差別的なガウスのデノイザーに依存するプラグアンドプレイIR法と比較して、拡散モデルの生成能力を継承することが期待されている。
論文 参考訳（メタデータ） (2023-05-15T20:24:38Z) - Noise Reduction in X-ray Photon Correlation Spectroscopy with
Convolutional Neural Networks Encoder-Decoder Models [0.0]
2時間相関関数における信号対雑音比を改善するための計算手法を提案する。
CNN-EDモデルは、畳み込みニューラルネットワークデコーダ(CNN-ED)モデルに基づいている。
実世界の実験データに基づいて訓練されたCNN-EDモデルにより,2時間相関関数から平衡力学パラメータを効果的に抽出できることが実証された。
論文 参考訳（メタデータ） (2021-02-07T18:38:59Z) - Single Image Brightening via Multi-Scale Exposure Fusion with Hybrid
Learning [48.890709236564945]
小さいISOと小さな露光時間は、通常、背面または低い光条件下で画像をキャプチャするために使用される。
本稿では、そのような画像を明るくするために、単一の画像輝度化アルゴリズムを提案する。
提案アルゴリズムは,露出時間が大きい2つの仮想画像を生成するための,ユニークなハイブリッド学習フレームワークを含む。
論文 参考訳（メタデータ） (2020-07-04T08:23:07Z)
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。