論文の概要: Zero-Shot Low Light Image Enhancement with Diffusion Prior

• arxiv url: http://arxiv.org/abs/2412.13401v4
• Date: Mon, 24 Mar 2025 00:01:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:30:06.808186
• Title: Zero-Shot Low Light Image Enhancement with Diffusion Prior
• Title（参考訳）: 拡散先行によるゼロショット低光画像強調
• Authors: Joshua Cho, Sara Aghajanzadeh, Zhen Zhu, D. A. Forsyth,
• Abstract要約: 低照度画像強調(LLIE)のための「フリーランチ」ソリューション 我々は、事前訓練されたテキスト・画像の拡散を利用して、大量の自然画像の収集とモデル自体に存在する特徴を学習し、推論を導出する。
• 参考スコア（独自算出の注目度）: 2.102429358229889
• License:
• Abstract: In this paper, we present a simple yet highly effective "free lunch" solution for low-light image enhancement (LLIE), which aims to restore low-light images as if acquired in well-illuminated environments. Our method necessitates no optimization, training, fine-tuning, text conditioning, or hyperparameter adjustments, yet it consistently reconstructs low-light images with superior fidelity. Specifically, we leverage a pre-trained text-to-image diffusion prior, learned from training on a large collection of natural images, and the features present in the model itself to guide the inference, in contrast to existing methods that depend on customized constraints. Comprehensive quantitative evaluations demonstrate that our approach outperforms SOTA methods on established datasets, while qualitative analyses indicate enhanced color accuracy and the rectification of subtle chromatic deviations. Furthermore, additional experiments reveal that our method, without any modifications, achieves SOTA-comparable performance in the auto white balance (AWB) task.
• Abstract（参考訳）: 本稿では,低照度画像拡張(LLIE)のための簡易かつ高効率な「フリーランチ」ソリューションを提案する。 本手法では, 最適化, 訓練, 微調整, テキスト条件調整, ハイパーパラメータ調整は必要としないが, 低照度画像を優れた忠実度で一貫した再構成を行う。 具体的には,大量の自然画像の収集から学習した事前学習されたテキストと画像の拡散と,モデル自体に存在する特徴を利用して推論を導出する。 包括的定量的評価により,本手法は確立したデータセット上でSOTA法よりも優れており,質的解析では色精度の向上と微妙な色偏差の補正が示されている。 さらに, 自動ホワイトバランス(AWB)タスクにおいて, 改良を伴わずにSOTAに比較可能な性能を実現する実験を行った。

関連論文リスト

• FreeEnhance: Tuning-Free Image Enhancement via Content-Consistent Noising-and-Denoising Process [120.91393949012014]
  FreeEnhanceは、既製の画像拡散モデルを用いたコンテンツ一貫性のある画像強調のためのフレームワークである。 ノイズ発生段階では、FreeEnhanceは、元の画像の高頻度パターンを保存するために、より周波数の高い領域により軽いノイズを加えるように考案されている。 この段階では3つの目標特性を予測された雑音の規則化の制約として提示し,高精度で視覚的品質の高い画像の強調を行う。
  論文  参考訳（メタデータ） (2024-09-11T17:58:50Z)
• CodeEnhance: A Codebook-Driven Approach for Low-Light Image Enhancement [97.95330185793358]
  低照度画像強調(LLIE)は、低照度画像を改善することを目的としている。 既存の手法では、様々な明るさ劣化からの回復の不確実性と、テクスチャと色情報の喪失という2つの課題に直面している。 我々は、量子化された先行値と画像の精細化を利用して、新しいエンハンスメント手法、CodeEnhanceを提案する。
  論文  参考訳（メタデータ） (2024-04-08T07:34:39Z)
• Revealing Shadows: Low-Light Image Enhancement Using Self-Calibrated Illumination [4.913568097686369]
  自己校正イルミネーション(Self-Calibrated Illumination, SCI)は、当初RGB画像向けに開発された戦略である。 我々はSCI法を用いて、低照度条件下で通常失われる詳細を強調・明らかにする。 この選択的照明強調方法は、色情報をそのまま残し、画像の色整合性を保つ。
  論文  参考訳（メタデータ） (2023-12-23T08:49:19Z)
• Diffusion in the Dark: A Diffusion Model for Low-Light Text Recognition [78.50328335703914]
  ディフュージョン・イン・ザ・ダーク (Diffusion in the Dark, DiD) は、テキスト認識のための低照度画像再構成のための拡散モデルである。 実画像上での低照度テキスト認識において,Digital DiDがSOTAの低照度手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-07T23:52:51Z)
• Designing An Illumination-Aware Network for Deep Image Relighting [69.750906769976]
  本稿では、階層的なサンプリングから1つの画像からシーンを段階的にリライトするためのガイダンスに従うイルミネーション・アウェア・ネットワーク(IAN)を提案する。 さらに、物理レンダリングプロセスの近似として、イルミネーション・アウェア・残留ブロック(IARB)が設計されている。 実験の結果,提案手法は従来の最先端手法よりも定量的,定性的な照準結果が得られることがわかった。
  論文  参考訳（メタデータ） (2022-07-21T16:21:24Z)
• Semi-supervised atmospheric component learning in low-light image problem [0.0]
  環境照明条件は、写真装置から画像の知覚的品質を決定する上で重要な役割を担っている。 本研究では,低照度画像復元のための非参照画像品質指標を用いた半教師付きトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-04-15T17:06:33Z)
• 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)
• Low-light Image Enhancement Using the Cell Vibration Model [12.400040803969501]
  低い光は、画像の品質を低下させ、視覚的なタスクの失敗を引き起こす可能性が非常に高い。 そこで本研究では,新しい低照度画像の輝度向上手法を提案する。 実験の結果,提案アルゴリズムは9つの最先端手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-06-03T13:39:10Z)
• 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。