Core Concepts
CRNetは、複数の露出画像を使用して、統一的な画像修復と強化を実行することができる。高周波情報を明示的に強化し、効果的な融合を行うことで、画像の詳細を高品質に復元することができる。
Abstract
本論文では、Composite Refinement Network (CRNet)を提案している。CRNetは、複数の露出画像を入力として受け取り、統一的な画像修復と強化を行うことができる。
まず、光学フロー整列を使用して入力画像を整列させる。次に、高周波情報と低周波情報を明示的に分離し、Multi-Branch Blockを使用して効果的に融合する。さらに、大カーネルのConvolutionと逆ボトルネック構造のConvFFNを使用したConvolutional Enhancement Blockを採用することで、受容野を拡大し、特徴の融合能力を高めている。
提案手法は、従来手法を大きく上回る性能を示し、Bracketing Image Restoration and Enhancement Challengeのtrack 1で3位に入賞した。特に、過度に明るい領域や暗い領域、高周波領域の詳細を効果的に復元できることが確認された。
Stats
提案手法であるCRNetは、従来手法と比較して、PSNR-μで39.03、SSIM-μで0.950を達成し、大幅な性能向上を実現した。
CRNetのパラメータ数は13.32M、FLOPSは10.409T、推論時間は1.090sと、他の上位モデルと比べて大幅に低い計算コストを実現している。
Quotes
"CRNetは、従来手法を大きく上回る性能を示し、Bracketing Image Restoration and Enhancement Challengeのtrack 1で3位に入賞した。"
"特に、過度に明るい領域や暗い領域、高周波領域の詳細を効果的に復元できることが確認された。"