論文の概要: Retinex-RAWMamba: Bridging Demosaicing and Denoising for Low-Light RAW Image Enhancement

• arxiv url: http://arxiv.org/abs/2409.07040v5
• Date: Tue, 15 Jul 2025 07:22:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-16 15:29:03.497247
• Title: Retinex-RAWMamba: Bridging Demosaicing and Denoising for Low-Light RAW Image Enhancement
• Title（参考訳）: Retinex-RAWMamba:低照度RAW画像強調のためのブリジングデモサイジングとデノナイジング
• Authors: Xianmin Chen, Longfei Han, Peiliang Huang, Xiaoxu Feng, Dingwen Zhang, Junwei Han,
• Abstract要約: 低照度画像の強化、特に生ドメインからsRGBドメインへのマッピングのようなクロスドメインタスクは、依然として大きな課題である。 RAWMambaと呼ばれる低照度RAW画像用にカスタマイズされた新しいMambaベースの手法を提案する。 低照度RAW画像の高精細化を図り、復調を施すことにより、高精細化を実現する。
• 参考スコア（独自算出の注目度）: 71.13353154514418
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-light image enhancement, particularly in cross-domain tasks such as mapping from the raw domain to the sRGB domain, remains a significant challenge. Many deep learning-based methods have been developed to address this issue and have shown promising results in recent years. However, single-stage methods, which attempt to unify the complex mapping across both domains, leading to limited denoising performance. In contrast, existing two-stage approaches typically overlook the characteristic of demosaicing within the Image Signal Processing (ISP) pipeline, leading to color distortions under varying lighting conditions, especially in low-light scenarios. To address these issues, we propose a novel Mamba-based method customized for low light RAW images, called RAWMamba, to effectively handle raw images with different CFAs. Furthermore, we introduce a Retinex Decomposition Module (RDM) grounded in Retinex prior, which decouples illumination from reflectance to facilitate more effective denoising and automatic non-linear exposure correction, reducing the effect of manual linear illumination enhancement. By bridging demosaicing and denoising, better enhancement for low light RAW images is achieved. Experimental evaluations conducted on public datasets SID and MCR demonstrate that our proposed RAWMamba achieves state-of-the-art performance on cross-domain mapping. The code is available at https://github.com/Cynicarlos/RetinexRawMamba.
• Abstract（参考訳）: 低照度画像の強化、特に生ドメインからsRGBドメインへのマッピングのようなクロスドメインタスクは、依然として大きな課題である。 この問題に対処するために多くのディープラーニングベースの手法が開発され、近年は有望な成果を上げている。 しかし、両方のドメインにまたがる複雑なマッピングを統一しようとするシングルステージメソッドは、性能の低下を招いた。 対照的に、既存の2段階のアプローチは一般的に、画像信号処理(ISP)パイプライン内での分解の特徴を見落とし、特に低照度シナリオにおいて、様々な照明条件下での色歪みを引き起こす。 これらの課題に対処するために,RAWMambaと呼ばれる低照度RAW画像用にカスタマイズされた新しいMambaベースの手法を提案する。 さらに,Retinex に基礎を置くRetinex Decomposition Module (RDM) を導入し,リフレクタンスから照明を分離し,より効率的な復調と非線形露光補正を容易にし,手動リニア照明の強化効果を低減させる。 低照度RAW画像の高精細化を図り、復調を施すことにより、高精細化を実現する。 パブリックデータセットSIDとMCRを用いた実験により,提案したRAWMambaがクロスドメインマッピングにおける最先端性能を実現することを示す。 コードはhttps://github.com/Cynicarlos/RetinexRawMambaで公開されている。

関連論文リスト

• IGDNet: Zero-Shot Robust Underexposed Image Enhancement via Illumination-Guided and Denoising [29.532018926948393]
  本稿では,単一のテスト画像のみで動作するZero-Shot拡張手法IGDNetを提案する。 IGDNetは強力な一般化能力を示し、照明を回復しながらノイズを効果的に抑制する。 複雑な照明条件下では視覚的品質が著しく向上する。
  論文  参考訳（メタデータ） (2025-07-03T09:01:57Z)
• Nonlocal Retinex-Based Variational Model and its Deep Unfolding Twin for Low-Light Image Enhancement [3.174882428337821]
  本稿では,Retinex分解に基づく低照度画像強調のための変分法を提案する。 低照度画像に色補正前処理ステップを適用し、分解時に観察された入力として使用する。 我々は、演算子を学習可能なネットワークに置き換える深層展開モデルを導入することにより、モデルを拡張する。
  論文  参考訳（メタデータ） (2025-04-10T14:48:26Z)
• LUMINA-Net: Low-light Upgrade through Multi-stage Illumination and Noise Adaptation Network for Image Enhancement [26.585985828583304]
  低照度画像強調(LLIE)は、低照度条件下で撮影された画像の視覚的忠実度を高めることを目的としたコンピュータビジョンにおける重要な課題である。 LUMINA-Netは,多段照明と反射モジュールを統合することで,低照度画像ペアから適応的な事前学習を行う,教師なしのディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-02-21T03:37:58Z)
• A Learnable Color Correction Matrix for RAW Reconstruction [19.394856071610604]
  複雑な逆画像信号処理装置(ISP)を近似する学習可能な色補正行列(CCM)を導入する。 実験結果から,本手法で生成したRAW(simRAW)画像は,より複雑な逆ISP法で生成した画像と同等の性能向上が得られた。
  論文  参考訳（メタデータ） (2024-09-04T07:46:42Z)
• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• Exposure Bracketing is All You Need for Unifying Image Restoration and Enhancement Tasks [50.822601495422916]
  本稿では,露光ブラケット写真を利用して画像復元と拡張作業を統合することを提案する。 実世界のペアの収集が困難であるため,まず合成ペアデータを用いてモデルを事前学習する手法を提案する。 特に,時間変調リカレントネットワーク(TMRNet)と自己教師あり適応手法を提案する。
  論文  参考訳（メタデータ） (2024-01-01T14:14:35Z)
• Learning to See Low-Light Images via Feature Domain Adaptation [17.033219611079165]
  そこで我々は,特徴領域適応(FDA)によって強化された単一段階ネットワークを提案し,生のLLIEにおけるデノイングとカラーマッピングのタスクを分離する。 FDAは、ラインバッファを減らすことで、グローバルとローカルの相関関係を探索することができる。 本手法は,計算コストを削減して最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-11T03:38:26Z)
• LDM-ISP: Enhancing Neural ISP for Low Light with Latent Diffusion Models [54.93010869546011]
  本稿では,事前学習した潜伏拡散モデルを用いて,超低照度画像の高精細化のためのニューラルISPを実現することを提案する。 具体的には、RAWドメイン上で動作するために事前訓練された潜在拡散モデルを調整するために、軽量なテーミングモジュールのセットをトレーニングする。 遅延拡散モデルにおけるUNet復調と復号化の異なる役割を観察し、低照度画像強調タスクを遅延空間低周波コンテンツ生成と復号位相高周波ディテール保守に分解するきっかけとなる。
  論文  参考訳（メタデータ） (2023-12-02T04:31:51Z)
• Reti-Diff: Illumination Degradation Image Restoration with Retinex-based Latent Diffusion Model [59.08821399652483]
  照明劣化画像復元(IDIR)技術は、劣化した画像の視認性を改善し、劣化した照明の悪影響を軽減することを目的としている。 これらのアルゴリズムのうち、拡散モデル(DM)に基づく手法は期待できる性能を示しているが、画像レベルの分布を予測する際に、重い計算要求や画素の不一致の問題に悩まされることが多い。 我々は、コンパクトな潜在空間内でDMを活用して、簡潔な指導先を生成することを提案し、IDIRタスクのためのReti-Diffと呼ばれる新しいソリューションを提案する。 Reti-Diff は Retinex-based Latent DM (RLDM) と Retinex-Guided Transformer (RG) の2つの鍵成分からなる。
  論文  参考訳（メタデータ） (2023-11-20T09:55:06Z)
• ITRE: Low-light Image Enhancement Based on Illumination Transmission Ratio Estimation [10.26197196078661]
  ノイズ、アーティファクト、過剰露光は、低照度画像強調の分野において重要な課題である。 モデルの起源からノイズやアーティファクトを抑圧するRetinexベースの新しい手法ITREを提案する。 広汎な実験により, 騒音抑制, アーティファクト防止, 露光量の同時制御におけるアプローチの有効性が示された。
  論文  参考訳（メタデータ） (2023-10-08T13:22:20Z)
• Enhancing Low-light Light Field Images with A Deep Compensation Unfolding Network [52.77569396659629]
  本稿では,低光環境下で撮像した光場(LF)画像の復元に,DCUNet(Deep compensation network openfolding)を提案する。 このフレームワークは、中間拡張結果を使用して照明マップを推定し、展開プロセスで新しい拡張結果を生成する。 本稿では,LF画像の特徴を適切に活用するために,擬似明示的特徴相互作用モジュールを提案する。
  論文  参考訳（メタデータ） (2023-08-10T07:53:06Z)
• SJ-HD^2R: Selective Joint High Dynamic Range and Denoising Imaging for Dynamic Scenes [17.867412310873732]
  Ghosting artifacts, Motion blur, Lowfidelity in highlightは、高ダイナミックレンジ(LDR)イメージングにおける主な課題である。 本稿では,2つのサブネットワークを含むHDRとデノナイズパイプラインを提案する。 私たちは、最初の共同HDRとデノナイジングベンチマークデータセットを作成します。
  論文  参考訳（メタデータ） (2022-06-20T07:49:56Z)
• Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
  エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
  論文  参考訳（メタデータ） (2022-06-07T14:55:32Z)
• Towards Low Light Enhancement with RAW Images [101.35754364753409]
  我々は、低光強度でRAW画像を使用することの優位性について、最初のベンチマークを行う。 本研究では,RAW画像の特性を計測可能な因子に分解するFEM(Facterized Enhancement Model)を新たに開発した。 実アプリケーションにおけるRAW画像の利点と利用不可のトレードオフを生かしたREENet(RAW-guiding Exposure Enhancement Network)を開発した。
  論文  参考訳（メタデータ） (2021-12-28T07:27:51Z)
• Unsupervised PET Reconstruction from a Bayesian Perspective [12.512270202705404]
  DeepREDはDIPと正規化を組み合わせた典型的な表現である(RED) 本稿では,ベイズ的な視点からDeepREDを活用して,教師付き情報や補助情報のない単一劣化したシングラムからPET画像の再構成を行う。
  論文  参考訳（メタデータ） (2021-10-29T06:32:21Z)
• Deep Bilateral Retinex for Low-Light Image Enhancement [96.15991198417552]
  低照度画像は、低コントラスト、色歪み、測定ノイズによる視界の低下に悩まされる。 本稿では,低照度画像強調のための深層学習手法を提案する。 提案手法は最先端の手法と非常に競合し, 極めて低照度で撮影した画像の処理において, 他に比べて大きな優位性を有する。
  論文  参考訳（メタデータ） (2020-07-04T06:26:44Z)
• 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。