Double Domain Guided Real-Time Low-Light Image Enhancement for Ultra-High-Definition Transportation Surveillance

要約

リアルタイムの交通監視は、高度道路交通システム (ITS) の重要な部分です。
しかし、低照度条件下で撮影された画像は、ノイズ干渉や曖昧なエッジ特徴などの劣化により視認性が低下することがよくあります。画像デバイスの発展に伴い、視覚監視データの品質は 2K など継続的に向上しています。
4K は、画像処理の効率に関してより厳しい要件があります。
強化品質と計算速度の両方の要件を満たすために、この論文では、超高解像度 (UHD) 交通監視用のダブルドメイン誘導リアルタイム低照度画像強化ネットワーク (DDNet) を提案します。
具体的には、学習ネットワークの主要なアーキテクチャとしてエンコーダ-デコーダ構造を設計します。
特に、エンハンスメント処理は、提案された粗エンハンスメント モジュール (CEM) とエンコーダ – デコーダ構造に埋め込まれた LoG ベースの勾配エンハンスメント モジュール (GEM) を介して 2 つのサブタスク (つまり、色エンハンスメントと勾配エンハンスメント) に分割されます。
これにより、ネットワークは色とエッジの機能を同時に強化できます。
DDNet は、カラー ドメインとグラデーション ドメインの両方で分解と再構築を行うことで、暗闇に隠された詳細な特徴情報をより優れた視覚的品質と効率で復元できます。
標準データセットと交通関連データセットの評価実験により、当社の DDNet が最先端の方法と比較して優れた拡張品質と効率を提供することが実証されました。
さらに、物体検出とシーンのセグメンテーションの実験は、ITS の低照度環境下での高度な画像分析に対する実用的な利点を示しています。

要約(オリジナル)

Real-time transportation surveillance is an essential part of the intelligent transportation system (ITS). However, images captured under low-light conditions often suffer the poor visibility with types of degradation, such as noise interference and vague edge features, etc. With the development of imaging devices, the quality of the visual surveillance data is continually increasing, like 2K and 4K, which has more strict requirements on the efficiency of image processing. To satisfy the requirements on both enhancement quality and computational speed, this paper proposes a double domain guided real-time low-light image enhancement network (DDNet) for ultra-high-definition (UHD) transportation surveillance. Specifically, we design an encoder-decoder structure as the main architecture of the learning network. In particular, the enhancement processing is divided into two subtasks (i.e., color enhancement and gradient enhancement) via the proposed coarse enhancement module (CEM) and LoG-based gradient enhancement module (GEM), which are embedded in the encoder-decoder structure. It enables the network to enhance the color and edge features simultaneously. Through the decomposition and reconstruction on both color and gradient domains, our DDNet can restore the detailed feature information concealed by the darkness with better visual quality and efficiency. The evaluation experiments on standard and transportation-related datasets demonstrate that our DDNet provides superior enhancement quality and efficiency compared with the state-of-the-art methods. Besides, the object detection and scene segmentation experiments indicate the practical benefits for higher-level image analysis under low-light environments in ITS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google