SDI-Net: Toward Sufficient Dual-View Interaction for Low-light Stereo Image Enhancement

要約

現在、ほとんどの低照度画像強調方法は単一ビューからの情報のみを考慮しており、ビュー間の情報間の相関関係を無視しています。
したがって、これらの方法によって生成される強調結果は、多くの場合満足のいくものではありません。
これに関連して、特に低照度のステレオ画像を強化するための方法を開発する取り組みが行われてきました。
これらの方法では、ビュー間の差異が考慮され、左右のビュー間の対話が可能になり、パフォーマンスの向上につながります。
ただし、これらの方法では、左ビュー情報と右ビュー情報の間の相互作用がまだ完全に活用されていません。
この問題に対処するために、我々は、Toward Sufficient Dual-View Interaction for Low-light Stereo Image Enhancement (SDI-Net) と呼ばれるモデルを提案します。
SDI-Net のバックボーン構造は 2 つのエンコーダとデコーダのペアであり、低照度画像から通常光画像へのマッピング機能を学習するために使用されます。
エンコーダとデコーダのうち、Cross-View Sufficient Interaction Module (CSIM) という名前のモジュールを設計し、アテンション メカニズムを介して両眼視間の相関関係を完全に活用することを目指しています。
公開データセットの定量的かつ視覚的な結果により、他の関連手法に対するこの手法の優位性が検証されます。
アブレーション研究では、モデルの主要な要素の有効性も実証されています。

要約(オリジナル)

Currently, most low-light image enhancement methods only consider information from a single view, neglecting the correlation between cross-view information. Therefore, the enhancement results produced by these methods are often unsatisfactory. In this context, there have been efforts to develop methods specifically for low-light stereo image enhancement. These methods take into account the cross-view disparities and enable interaction between the left and right views, leading to improved performance. However, these methods still do not fully exploit the interaction between left and right view information. To address this issue, we propose a model called Toward Sufficient Dual-View Interaction for Low-light Stereo Image Enhancement (SDI-Net). The backbone structure of SDI-Net is two encoder-decoder pairs, which are used to learn the mapping function from low-light images to normal-light images. Among the encoders and the decoders, we design a module named Cross-View Sufficient Interaction Module (CSIM), aiming to fully exploit the correlations between the binocular views via the attention mechanism. The quantitative and visual results on public datasets validate the superiority of our method over other related methods. Ablation studies also demonstrate the effectiveness of the key elements in our model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google