arXiv:2309.08838

AOSR-Net: All-in-One Sandstorm Removal Network

Yazhong Si, xulong Zhang, Fan Yang, Jianzong Wang, Ning Cheng, Jing Xiao

제출 2023-09-16

원문 초록

Most existing sandstorm image enhancement methods are based on traditional theory and prior knowledge, which often restrict their applicability in real-world scenarios. In addition, these approaches often adopt a strategy of color correction followed by dust removal, which makes the algorithm structure too complex. To solve the issue, we introduce a novel image restoration model, named all-in-one sandstorm removal network (AOSR-Net). This model is developed based on a re-formulated sandstorm scattering model, which directly establishes the image mapping relationship by integrating intermediate parameters. Such integration scheme effectively addresses the problems of over-enhancement and weak generalization in the field of sand dust image enhancement. Experimental results on synthetic and real-world sandstorm images demonstrate the superiority of the proposed AOSR-Net over state-of-the-art (SOTA) algorithms.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2506.20302v2cs.CV공통 태그 Image Restoration, Image Enhancement

TDiR: 이미지 복원 작업을 위한 트랜스포머 기반 확산

TDiR: Transformer based Diffusion for Image Restoration Tasks

도전적인 환경에서 촬영된 이미지는 노이즈, 색상 왜곡, 흐림, 빛 산란 등 다양한 유형의 열화를 겪는 경우가 많다. 이러한 문제는 이미지 품질을 크게 저하시켜 객체 검출, 매핑, 분류와 같은 다운스트림 작업에서의 유용성을 줄인다. 본 연구에서는 이미지 복원 과제를 해결하고 열화된 이미지의 품질을 향상시키기 위해 트랜스포머 기반 확산 모델을 개발하였다. 제안 방법론은 수중 향상, 디노이징, 디레이닝을 포함한 세 가지 주요 이미지 복원 작업에 대해 다섯 개의 표준 벤치마크를 활용하여 평가되었으며, 네 가지 평가 지표를 사용하여 18개의 최신 기법과 비교하였다. 결과는 확산 모델이 트랜스포머와 결합되었을 때 기존 방법들을 능가함을 보여준다. 이러한 결과는 확산 모델과 트랜스포머가 열화된 이미지 품질을 개선하는 데 효과적임을 강조하며, 고충실도 시각 데이터를 요구하는 다운스트림 작업에서의 적용 범위를 넓혀준다.

arXiv:2607.08185v1cs.CV공통 태그 Image Restoration, Image Enhancement

색상 명명을 활용한 이미지 향상

Leveraging Color Naming for Image Enhancement

이미지를 시각적으로 매력적으로 만들기 위한 향상은 컴퓨터 비전에서 지속적인 과제입니다. 많은 딥러닝 방법들은 전문가의 편집 스타일을 재현하기 위해 쌍으로 구성된 데이터셋으로 모델을 학습합니다. 그러나 이러한 접근법은 두 가지 핵심 문제, 즉 (1) 해석 가능성과 (2) 사용자 조정에 적합한 파라미터화 방식에서 어려움을 겪습니다. 이러한 문제를 해결하기 위해, 우리는 소프트웨어 도구에서 직관적인 편집을 위해 널리 사용되는 친숙한 색상들의 보편적 집합인 Color Naming 개념에서 영감을 받은 NamedCurves+를 제안합니다. 본 방법은 색상 이름을 학습 기반 프레임워크에 통합하여, 톤 커브(tone curve)를 통해 각 명명된 색상에 대한 전역적 조정을 가능하게 합니다. 지역적 이미지 변화에 대응하기 위해, 공간적 의존성을 포착하는 트랜스포머 블록을 도입하여 이미지 전반에 걸쳐 문맥 인식 편집을 수행합니다. NamedCurves+는 리터칭 과정의 해석 가능성을 높이고 사용자 상호작용을 지원하며, 개인 취향에 맞게 리터칭된 이미지를 정제하기 위한 개별 톤 커브의 유연한 수정을 허용합니다. 이미지 리터칭, 톤 매핑, 노출 보정 등의 작업에 대한 광범위한 실험에서 NamedCurves+는 최신 방법들을 능가하는 성능을 보입니다. 특히, 본 접근법은 톤 커브가 각 색상 이름이 향상에 어떻게 기여하는지를 명시적으로 나타내어 설명 가능하며, 사용자가 리터칭 과정을 커스터마이징하여 원하는 결과를 얻을 수 있도록 하는 인터랙티브한 특성을 갖습니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.