Semi-LLIE: マンバベースの低光強化による半監督対照学習
Guanlin Li1, Ke Zhang2, Ting Wang2
1College of Information and Control Engineering, Xi'an University of Architecture and Technology, Xi'an, 710055, Shannxi, China; School of Artificial Intelligence, OPtics and ElectroNics (iOPEN), Northwestern Polytechnical University, Xi'an, 710072, Shannxi, China.
この研究は,ペア化されていないデータを効果的に使用する低光画像強化 (LLIE) の半監視フレームワークであるSemi-LLIEを導入します. 照明の移転や細部修復の限界を克服し,画像の品質を向上させます.
科学分野:
- コンピュータ・ビジョン
- 人工知能
- 画像処理
背景:
- 低光画像強化 (LLIE) は著しく進歩しました.
- LLIEの大きな課題は,低光と正常にペア化されたトレーニングデータの不足です.
- 現存する方法は,現実的な照明の移転と暗い地域での細かい詳細の復元に苦労しています.
研究 の 目的:
- 低照度画像の改善のための新しい半監視フレームワーク,Semi-LLIEを提案する.
- ペアリングされていないデータを利用し,詳細を復元する既存の方法の限界に対処する.
- 低照度画像の色彩や質感を高めるため
主な方法:
- 平均教師パラダイムによるペア化されていない低光と正常光の画像を使用する半監視フレームワーク (Semi-LLIE).
- 視覚言語の表現を活用して 照明の調整をします
- マンバベースのバックボーンで,詳細な復元を可能にするマルチスケール機能学習.
- セマンティックレベルのテクスチャー強化のためのRAMベースの知覚喪失.
主要な成果:
- Semi-LLIEは,弱光での画像強化において,既存の方法よりも優れたパフォーマンスを示しています.
- 提案された方法は,数値と質の指標を改善します.
- 色の自然性を高め 暗い領域の細部を復元しました
結論:
- Semi-LLIEフレームワークは,弱光画像のペアリングデータに限られた課題を効果的に解決します.
- 新しい損失機能とバックボーンアーキテクチャは,照明の転送と詳細の復元を大幅に改善します.
- Semi-LLIEは,低光下での高品質の画像強化のための有望なソリューションを提供します.
さらに関連する動画
07:12Development of a Gaze-Contingent Display Framework Designed for Perceptual and Oculomotor Research with Simulated Central Vision Loss
Published on: April 11, 2025
06:19Integration of Animal Behavioral Assessment and Convolutional Neural Network to Study Wasabi-Alcohol Taste-Smell Interaction
Published on: August 16, 2024
関連する概念動画
Light Acquisition
Difference from Background: Limit of Detection
The LOD indicates the presence or absence...
Super-resolution Fluorescence Microscopy
