Performance Analysis of Conditional GANs based Image-to-Image Translation Models for Low-Light Image Enhancement
Notice bibliographique
Résumé
With the evolution of generative adversarial networks, popularly known as GANs for image-to-image translations, conditional GANs (cGANs) are explored and employed for various digital image preprocessing (enhancement and de-noising) tasks. The series of tasks includes image processing such as image enhancement, de-hazing, de-noising, resolution enhancement, and many more. In image enhancement, the area of increasing light (brightness) in low-light images (or poorly-illuminated images) is investigated in this work. For low-light image enhancement, the performance of pix2pix and pix2pixHD models has been demonstrated and analyzed. An analysis of low-light image enhancement using pix2pix model with other loss functions is also presented. Furthermore, pix2pix performance with instance normalization layers for low-light image enhancement is studied, and improved full-reference Image Quality Assessment (FIQA) metrics values along with entropy (a no-reference IQA (NIQA) metric) are reported. The quantitative and qualitative results are also compared with selected cutting-edge deep learning frameworks for low-light image enhancement. In this research, it is found that pix2pix model enhancement metrics are better than RetinexNet model. And the pix2pixHD results are comparable to the latest low-light image enhancement deep learning frameworks such as MIRNet and LLFlow. Furthermore, pix2pix models are lighter in size than MIRNet. The inference times achieved using pix2pix are the minimum on both the CPU and the GPU.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».