論文の概要: LightenDiffusion: Unsupervised Low-Light Image Enhancement with Latent-Retinex Diffusion Models
- arxiv url: http://arxiv.org/abs/2407.08939v1
- Date: Fri, 12 Jul 2024 02:54:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-16 01:06:33.983454
- Title: LightenDiffusion: Unsupervised Low-Light Image Enhancement with Latent-Retinex Diffusion Models
- Title（参考訳）: LightenDiffusion: ラテン・レチネックス拡散モデルによる教師なし低光画像強調
- Authors: Hai Jiang, Ao Luo, Xiaohong Liu, Songchen Han, Shuaicheng Liu,
- Abstract要約: 物理的に説明可能なRetinex理論を低照度画像強調のための拡散モデルに組み込んだ拡散に基づく教師なしフレームワークを提案する。
公開されている実世界のベンチマークの実験では、提案されたLightenDiffusionは最先端の非監督的な競合より優れていることが示されている。
- 参考スコア（独自算出の注目度）: 39.28266945709169
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose a diffusion-based unsupervised framework that incorporates physically explainable Retinex theory with diffusion models for low-light image enhancement, named LightenDiffusion. Specifically, we present a content-transfer decomposition network that performs Retinex decomposition within the latent space instead of image space as in previous approaches, enabling the encoded features of unpaired low-light and normal-light images to be decomposed into content-rich reflectance maps and content-free illumination maps. Subsequently, the reflectance map of the low-light image and the illumination map of the normal-light image are taken as input to the diffusion model for unsupervised restoration with the guidance of the low-light feature, where a self-constrained consistency loss is further proposed to eliminate the interference of normal-light content on the restored results to improve overall visual quality. Extensive experiments on publicly available real-world benchmarks show that the proposed LightenDiffusion outperforms state-of-the-art unsupervised competitors and is comparable to supervised methods while being more generalizable to various scenes. Our code is available at https://github.com/JianghaiSCU/LightenDiffusion.
- Abstract（参考訳）: 本稿では,低照度画像強調のための拡散モデルであるLightenDiffusionを用いて,物理的に説明可能なRetinex理論を組み込んだ拡散に基づく教師なしフレームワークを提案する。
具体的には,画像空間ではなく遅延空間内でRetinex分解を行うコンテントトランスファー分解ネットワークを提案し,未ペアローライトおよびノーマルライト画像の特徴をコンテントリッチリフレクタンスマップとコンテントフリー照明マップに分解する。
その後、低照度画像の反射率マップと通常照度画像の照度マップとを低照度特徴の誘導により教師なし復元のための拡散モデルに入力し、自己拘束的整合性損失をさらに提案して、回復結果に対する正常照度コンテンツの干渉を排除し、全体的な視覚的品質を向上させる。
公開されている実世界のベンチマークに関する大規模な実験によると、提案されたLightenDiffusionは最先端の非教師付き競合よりも優れており、様々な場面でより一般化可能な教師付き手法に匹敵する。
私たちのコードはhttps://github.com/JianghaiSCU/LightenDiffusion.comで公開されています。
関連論文リスト
- Retinex-Diffusion: On Controlling Illumination Conditions in Diffusion Models via Retinex Theory [19.205929427075965]
我々は,拡散モデルをブラックボックス画像レンダリングとして概念化し,そのエネルギー関数を画像形成モデルに沿って戦略的に分解する。
これは、キャストシャドウ、ソフトシャドウ、反射間など、現実的な照明効果を持つ画像を生成する。
論文 参考訳（メタデータ） (2024-07-29T03:15:07Z) - Zero-LED: Zero-Reference Lighting Estimation Diffusion Model for Low-Light Image Enhancement [2.9873893715462185]
ゼロLEDと呼ばれる低照度画像強調のための新しいゼロ参照光推定拡散モデルを提案する。
拡散モデルの安定収束能力を利用して、低照度領域と実常照度領域の間のギャップを埋める。
ゼロ参照学習を通じてペアのトレーニングデータへの依存を緩和する。
論文 参考訳（メタデータ） (2024-03-05T11:39:17Z) - Global Structure-Aware Diffusion Process for Low-Light Image Enhancement [64.69154776202694]
本稿では,低照度画像強調問題に対処する拡散型フレームワークについて検討する。
我々は、その固有のODE-軌道の正規化を提唱する。
実験により,提案手法は低照度化において優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2023-10-26T17:01:52Z) - Diff-Retinex: Rethinking Low-light Image Enhancement with A Generative
Diffusion Model [28.762205397922294]
Diff-Retinexと呼ばれる低照度画像強調のための物理的に説明可能な生成拡散モデルを提案する。
In the Retinex decomposition, we integrated the superiority of attention in Transformer to decompose the image into illumination and reflectance map。
そこで我々は,正規光レチネックス確率分布を再構成する多経路生成拡散ネットワークを設計し,各成分の様々な劣化を解消する。
論文 参考訳（メタデータ） (2023-08-25T04:03:41Z) - LLDiffusion: Learning Degradation Representations in Diffusion Models
for Low-Light Image Enhancement [118.83316133601319]
現在の低照度画像強調(LLIE)の深層学習法は、通常、ペア化されたデータから学んだピクセルワイドマッピングに依存している。
本稿では,拡散モデルを用いたLLIEの劣化認識学習手法を提案する。
論文 参考訳（メタデータ） (2023-07-27T07:22:51Z) - Retinexformer: One-stage Retinex-based Transformer for Low-light Image
Enhancement [96.09255345336639]
低照度画像の高精細化のために,原理化された1段Retinex-based Framework (ORF) を定式化する。
ORFはまず照明情報を推定し、低照度画像を照らす。
我々のアルゴリズムであるRetinexformerは13のベンチマークで最先端の手法を大幅に上回っている。
論文 参考訳（メタデータ） (2023-03-12T16:54:08Z) - Unsupervised Low-Light Image Enhancement via Histogram Equalization
Prior [40.61944814314655]
HEP (Equalization prior) と呼ばれる実効的事前ヒストグラムに基づく教師なし低照度画像強調手法を提案する。
反射率マップのノイズと内容を、未確認クリーンな画像の信頼性のある助けを借りてアンタングルするノイズ・ディアンタングメント・モジュール(NDM)を導入する。
本手法は、最先端の教師なし低照度化アルゴリズムに対して好適に動作し、最先端の教師付きアルゴリズムに適合する。
論文 参考訳（メタデータ） (2021-12-03T07:51:08Z) - Low-Light Image Enhancement with Normalizing Flow [92.52290821418778]
本稿では,この一対多の関係を正規化フローモデルを用いてモデル化する。
低照度画像/特徴を条件として取り、通常露光される画像の分布をガウス分布にマッピングすることを学ぶ可逆ネットワーク。
既存のベンチマークデータセットによる実験結果から,提案手法はより定量的,質的な結果を得ることができ,照度が良く,ノイズやアーティファクトが小さく,色も豊かになることがわかった。
論文 参考訳（メタデータ） (2021-09-13T12:45:08Z) - Unsupervised Low-light Image Enhancement with Decoupled Networks [103.74355338972123]
我々は、実世界の低照度画像を教師なしで拡張する2段階のGANベースのフレームワークを学習する。
提案手法は,照度向上と雑音低減の両面から,最先端の教師なし画像強調法より優れる。
論文 参考訳（メタデータ） (2020-05-06T13:37:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。