マルチスケール露光補正の学習【JST・京大機械翻訳】

Afifi Mahmoud; Derpanis Konstantinos G.; Ommer Bjorn; Brown Michael S.

プレプリント

J-GLOBAL ID：202202207528990191 整理番号：21P0027533

マルチスケール露光補正の学習【JST・京大機械翻訳】

Learning Multi-Scale Photo Exposure Correction

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2020年03月25日プレプリントサーバーでの情報更新日： 2021年03月30日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

誤った曝露による写真の捕捉は,カメラベースのイメージングにおける誤差の主な原因のままである。曝露問題は何れかに分類される。(i)カメラ曝露が長すぎる曝露では,明快で洗浄された画像領域,または(ii)曝露が不足し,曝露が短すぎると,暗領域をもたらした。過小および過曝露の両方が,画像のコントラストおよび視覚アピールを大いに減らした。以前の研究は,主に曝露画像または一般的画像強調に焦点を当てた。対照的に,提案手法は写真における過少および過曝露誤差の両方を標的とする。曝露補正問題を2つの主要な部分問題として定式化した。(i)色増強と(ii)詳細増強。従って,著者らは,各部分問題を別々にアドレスするエンドツーエンド方式で訓練可能な,粗から精の深いニューラルネットワーク(DNN)モデルを提案した。この解の鍵となる側面は,対応する適切に露出された画像で,今までに広範囲の曝露値を示す24000以上の画像の新しいデータセットである。提案手法は,既存の最先端の手法と,曝露画像の下で結果を達成し,過曝露誤差を被る画像に対して顕著な改善をもたらす。【JST・京大機械翻訳】

, , , , , , , ,
, , 【Automatic Indexing@JST】

図形・画像処理一般

, ,

前のページに戻る