Deep Joint Unrolling for Deblurring and Low-Light Image Enhancement (JUDE)

要約

夜間に写真を撮影する場合、薄暗い環境に対処するために長時間露光を使用することが多く、低照度やぼやけの問題がよく発生します。
適切な物理モデルを組み込まずにエンドツーエンドのモデルをトレーニングした場合、これらの関節の問題に対処することは困難であり、エラーが発生しやすい可能性があります。
このペーパーでは、画像の物理モデルからインスピレーションを得た、ブレ除去と低照度画像強化のためのディープ ジョイント アンローリングである JUDE を紹介します。
Retinex 理論とぼかしモデルに基づいて、低光量のぼやけた入力が反復的にぼやけと分解され、アンローリング メカニズムを通じて鮮明な低光量の反射率と照度が生成されます。
さらに、初期のブラー カーネルを推定し、輝度を高め、最終画像のノイズを除去するためのさまざまなモジュールを組み込みます。
LOL-Blur と Real-LOL-Blur に関する包括的な実験により、私たちの手法が量的および質的に既存の手法よりも優れていることが実証されました。

要約(オリジナル)

Low-light and blurring issues are prevalent when capturing photos at night, often due to the use of long exposure to address dim environments. Addressing these joint problems can be challenging and error-prone if an end-to-end model is trained without incorporating an appropriate physical model. In this paper, we introduce JUDE, a Deep Joint Unrolling for Deblurring and Low-Light Image Enhancement, inspired by the image physical model. Based on Retinex theory and the blurring model, the low-light blurry input is iteratively deblurred and decomposed, producing sharp low-light reflectance and illuminance through an unrolling mechanism. Additionally, we incorporate various modules to estimate the initial blur kernel, enhance brightness, and eliminate noise in the final image. Comprehensive experiments on LOL-Blur and Real-LOL-Blur demonstrate that our method outperforms existing techniques both quantitatively and qualitatively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google