DARK: Denoising, Amplification, Restoration Kit

要約

この論文では、高度な機械学習と畳み込みニューラル ネットワーク (CNN) を利用して、低照度条件下で画像を強化するための新しい軽量計算フレームワークを紹介します。
従来の強化技術では、困難な照明環境におけるノイズ、色の歪み、ディテールの損失などの問題に適切に対処できないことがよくあります。
私たちのアプローチは、Retinex 理論からの洞察と画像復元ネットワークの最近の進歩を活用して、照明コンポーネントを効率的に処理し、最適化された畳み込みブロックを通じて状況依存の強化を統合する合理化されたモデルを開発します。
これにより、過度の強調や不自然なカラーシフトを回避しながら、画像の鮮明さと色の忠実度が大幅に向上します。
重要なのは、私たちのモデルは軽量になるように設計されており、計算需要が低く、標準的な消費者向けハードウェア上のリアルタイム アプリケーションに適していることが保証されています。
パフォーマンス評価により、私たちのモデルが低照度画像の強調において既存の方法を上回るだけでなく、最小限の計算フットプリントを維持することも確認されています。

要約(オリジナル)

This paper introduces a novel lightweight computational framework for enhancing images under low-light conditions, utilizing advanced machine learning and convolutional neural networks (CNNs). Traditional enhancement techniques often fail to adequately address issues like noise, color distortion, and detail loss in challenging lighting environments. Our approach leverages insights from the Retinex theory and recent advances in image restoration networks to develop a streamlined model that efficiently processes illumination components and integrates context-sensitive enhancements through optimized convolutional blocks. This results in significantly improved image clarity and color fidelity, while avoiding over-enhancement and unnatural color shifts. Crucially, our model is designed to be lightweight, ensuring low computational demand and suitability for real-time applications on standard consumer hardware. Performance evaluations confirm that our model not only surpasses existing methods in enhancing low-light images but also maintains a minimal computational footprint.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google