低照度の画像を通常の露出の画像に強調することは、非常に不適切です。つまり、それらの間のマッピング関係は1対多です。ピクセル単位の再構成損失と決定論的プロセスに基づく以前の作業では、通常露光された画像の複雑な条件付き分布をキャプチャできず、不適切な明るさ、残留ノイズ、およびアーティファクトが発生します。この論文では、提案された正規化フローモデルを介してこの1対多の関係をモデル化することを調査します。低照度の画像/特徴を条件として取り、通常露光された画像の分布をガウス分布にマッピングすることを学習する可逆ネットワーク。このようにして、通常露光された画像の条件付き分布を適切にモデル化でき、強調プロセス、つまり可逆ネットワークの他の推論方向は、自然の多様な構造をより適切に記述する損失関数によって制約されることと同等です。トレーニング中の画像。既存のベンチマークデータセットの実験結果は、私たちの方法
SurReal: Complex-Valued Learning as Principled Transformations on a Scaling and Rotation Manifold 複素数値データは、信号および画像処理アプリケーションに遍在しており、深層学習における複素数値表現には、魅力的な理論的特性があります。これらの側面は長い間認識されてきましたが、複雑な値の深層学習は、実際の値の対応物よりもはるかに遅れています。複素数値の深層学習への原理的な幾何学的アプローチを提案します。複素数値のデータは、多くの場合、任意の複素数値のスケーリングの対象となる可能性があります。その結果、実数成分と虚数成分が共変動する可能性があります。複素数を実数の2つの独立したチャネルとして扱う代わりに、その基礎となるジオメトリを認識します。複素数の空間を、ゼロ以外のスケーリングと平面回転の積多様体と
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く