Bayesian Neural Networks for One-to-Many Mapping in Image Enhancement

要約

低光および水中画像の強化などの画像強化タスクでは、劣化した画像は、照明の変動などの動的な写真撮影条件のために複数のもっともらしいターゲット画像に対応できます。
これは当然、1対多マッピングの課題になります。
これに対処するために、データの不確実性をキャプチャし、多様な出力を生成するためにベイジアンニューラルネットワーク（BNN）を組み込んだベイジアンエンハンスメントモデル（BEM）を提案します。
リアルタイムの推論を実現するために、2段階のアプローチを紹介します。ステージIは、BNNを使用して低次元空間で1対多マッピングをモデル化し、ステージIIは決定論的ニューラルネットワークを使用して細粒画像の詳細を改良します
（DNN）。
BNNトレーニングと収束を加速するために、動的な勢いを前に紹介します。
複数の低光および水中画像強化ベンチマークに関する広範な実験は、決定論的モデルよりも私たちの方法の優位性を示しています。

要約(オリジナル)

In image enhancement tasks, such as low-light and underwater image enhancement, a degraded image can correspond to multiple plausible target images due to dynamic photography conditions, such as variations in illumination. This naturally results in a one-to-many mapping challenge. To address this, we propose a Bayesian Enhancement Model (BEM) that incorporates Bayesian Neural Networks (BNNs) to capture data uncertainty and produce diverse outputs. To achieve real-time inference, we introduce a two-stage approach: Stage I employs a BNN to model the one-to-many mappings in the low-dimensional space, while Stage II refines fine-grained image details using a Deterministic Neural Network (DNN). To accelerate BNN training and convergence, we introduce a dynamic Momentum Prior. Extensive experiments on multiple low-light and underwater image enhancement benchmarks demonstrate the superiority of our method over deterministic models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google