PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2303.06705v4cs.CV공식 코드 · Papers with Code

Retinexformer: 저조도 영상 향상을 위한 단일 단계 Retinex 기반 트랜스포머

Retinexformer: One-stage Retinex-based Transformer for Low-light Image Enhancement

저조도 영상을 향상할 때 많은 딥러닝 알고리즘은 Retinex 이론에 기반한다. 그러나 Retinex 모델은 어둠 속에 숨어 있거나 밝게 하는 과정에서 발생하는 손상을 고려하지 않는다. 또한 이러한 방법은 대개 번거로운 다단계 학습 파이프라인을 요구하고 합성곱 신경망에 의존하여 장거리 의존성을 포착하는 데 한계를 보인다. 본 논문에서는 단순하면서도 원리에 충실한 단일 단계 Retinex 기반 프레임워크(ORF)를 정식화한다. ORF는 먼저 조명 정보를 추정하여 저조도 영상을 밝게 한 다음, 손상을 복원하여 향상된 영상을 생성한다. 조명 표현을 활용하여 서로 다른 조명 조건을 가진 영역들 간의 비국소적 상호작용 모델링을 유도하는 조명 유도 트랜스포머(IGT)를 설계한다. IGT를 ORF에 결합하여 제안 알고리즘인 Retinexformer를 얻는다. 포괄적인 정량적·정성적 실험을 통해 Retinexformer가 13개 벤치마크에서 최신 방법들을 크게 능가함을 보인다. 사용자 연구와 저조도 객체 검출에의 응용 또한 본 방법의 잠재적인 실용적 가치를 보여 준다. 코드, 모델 및 결과는 https://github.com/caiyuanhao1998/Retinexformer 에서 이용할 수 있다. 온라인 Gradio 데모는 Hugging Face의 https://huggingface.co/spaces/CaiYuanhao/Retinexformer 에서 이용할 수 있다.

arXiv:2506.01942v3cs.CV공식 코드 · Papers with Code

OD3: 객체 검출을 위한 최적화 없는 데이터셋 증류

OD3: Optimization-free Dataset Distillation for Object Detection

대규모 데이터셋으로 큰 신경망을 학습하려면 상당한 계산 자원이 필요하며, 특히 객체 검출과 같은 밀집 예측(dense prediction) 작업에서 그렇다. 데이터셋 증류(DD)는 더 큰 데이터셋으로부터 소형 데이터셋을 합성하여 이러한 부담을 줄이려는 방법으로 제안되었지만, 기존 연구의 대부분은 이미지 분류에만 집중하여 더 복잡한 검출 설정은 거의 다루지 않았다. 본 논문에서는 객체 검출을 위해 특별히 설계된 새로운 최적화 없는 데이터 증류 프레임워크인 OD3를 제안한다. 우리 접근법은 두 단계로 이루어진다. 첫째, 객체 인스턴스를 적합한 위치에 따라 합성 이미지에 반복적으로 배치하는 후보 선택 과정이고, 둘째, 사전학습된 observer 모델로 낮은 신뢰도 객체를 제거하는 후보 스크리닝 과정이다. MS COCO와 PASCAL VOC라는 두 대표적인 검출 데이터셋에서 압축률 0.25%부터 5%까지 데이터 합성 프레임워크를 적용하였다. 검출을 위한 기존 유일한 데이터셋 증류 방법 및 기존 코어셋 선택(core set selection) 방법과 비교했을 때, OD3는 더 높은 정확도를 보이며 새로운 최신(state-of-the-art) 결과를 달성하고, 압축률 1.0%에서 COCO mAP50 기준 이전 최고 방법보다 14% 이상 앞선다. 코드는 https://github.com/VILA-Lab/OD3 에서 제공된다.