Core Concepts
Troublemaker Learning(TML)戦略は、低光画像強化において、ペアデータへの依存を軽減し、シンプルな損失関数を活用することで、効果的な結果を達成します。
Abstract
低光画像強化(LLIE)は、色調と明るさを回復させます。TML戦略は、通常の画像を入力として使用し、TMモデルが擬似的な低光画像を生成し、PMモデルがそれらを明るくする方法に基づいています。GDCモジュールはO(n)時間複雑度で要素間の相関性を捉えます。TMLは競争力あるパフォーマンスを実証しています。
Stats
TMLは200枚のペアデータでTMトレーニングすることで実際の低光画像に近い出力を生成します。
TMLはFLOPsおよびパラメータ数において他のSOTA手法よりも優れています。
Quotes
"Troublemaker Learning (TML) strategy employs TM and PM to decrease and increase image luminance, easily increasing training data for improved effect."
"TML alleviates the dependence on pairwise data and uses a simple loss function."
"GDC module can capture element-wise correlations in a wide range with O(n) time complexity."