Non-Local Retinex Based Dehazing and Low Light Enhancement of Images
Notice bibliographique
Résumé
We know that a vast amount of research has recently been done on dehazing single images. More work is done on day-time images than night-time images. Also, enhancement of low light images is another area in which lots of research going on. In this paper, a simple yet effective unified variational model is proposed for dehazing of day and night images and low-light enhancement based on non-local global variational regularization. Given the relation between image dehazing and retinex, the haze removal process can minimize a variational retinex model. Estimating of ambient light and transmission maps is a key step in modern dehazing methods. Atmospheric light is not uniform and constant for hazy night images, as night scenes often contain multiple light sources. Often lit and non-illuminated regions have different colour characteristics and cause total variation colour distortion and halo artifacts. Our work directly implements a non-local retinal model based on the L2 norm that simulates the average activity of inhibitory and excitatory neuronal populations in the cortex to overcome this problem. This potential biological feasibility of the L2 norm of our work is divided into two parts using a filtered gradient approach, the reflection sparse prior and the reflection gradient fidelity before the observed image gradient. This unified framework of NLTV-Retinex and DCP efficiently performs low-light enhancement and dehazing of day and night images. We show results obtained using our method on daytime and night-time images and a low-light image dataset. We quantitatively and qualitatively compare our results with recently reported methods, which demonstrate the effectiveness of our method.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».