論文の概要: Illuminating Darkness: Learning to Enhance Low-light Images In-the-Wild
- arxiv url: http://arxiv.org/abs/2503.06898v2
- Date: Tue, 22 Jul 2025 03:10:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-23 15:16:10.852957
- Title: Illuminating Darkness: Learning to Enhance Low-light Images In-the-Wild
- Title（参考訳）: 暗さを照らす:Wildで低照度画像の学習
- Authors: S M A Sharif, Abdur Rehman, Zain Ul Abidin, Fayaz Ali Dharejo, Radu Timofte, Rizwan Ali Naqvi,
- Abstract要約: 野生で収集された大規模で高解像度な4K+データセットであるLow-Light smartphone dataset (LSD)を紹介した。
LSDには6,425点の正確に整列された低照度と標準照度の画像ペアが含まれており、8000点以上のダイナミックな屋内と屋外のシーンから選択されている。
そこで本研究では,彩度と彩度を別々に符号化し,色構造との絡み合いを低減するハイブリッドモデルTFFormerを提案する。
- 参考スコア（独自算出の注目度）: 47.39277249268179
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Single-shot low-light image enhancement (SLLIE) remains challenging due to the limited availability of diverse, real-world paired datasets. To bridge this gap, we introduce the Low-Light Smartphone Dataset (LSD), a large-scale, high-resolution (4K+) dataset collected in the wild across a wide range of challenging lighting conditions (0.1 to 200 lux). LSD contains 6,425 precisely aligned low and normal-light image pairs, selected from over 8,000 dynamic indoor and outdoor scenes through multi-frame acquisition and expert evaluation. To evaluate generalization and aesthetic quality, we collect 2,117 unpaired low-light images from previously unseen devices. To fully exploit LSD, we propose TFFormer, a hybrid model that encodes luminance and chrominance (LC) separately to reduce color-structure entanglement. We further propose a cross-attention-driven joint decoder for context-aware fusion of LC representations, along with LC refinement and LC-guided supervision to significantly enhance perceptual fidelity and structural consistency. TFFormer achieves state-of-the-art results on LSD (+2.45 dB PSNR) and substantially improves downstream vision tasks, such as low-light object detection (+6.80 mAP on ExDark).
- Abstract（参考訳）: SLLIE(Single-shot Low-light Image enhancement)は、さまざまな実世界のペアデータセットの可用性が制限されているため、依然として困難である。
このギャップを埋めるために、我々は大規模な4K+データセットであるLow-Light smartphone Dataset (LSD)を導入しました。
LSDは6,425個の正確に整列された低光と常光のイメージペアを含み、複数フレームの取得と専門家評価によって8000以上の動的屋内と屋外のシーンから選択される。
一般化と美的品質を評価するため,未確認のデバイスから2,117個の低照度画像を収集した。
LSDをフル活用するために,発光とクロミナンス(LC)を別々に符号化し,色構造との絡み合いを低減するハイブリッドモデルTFFormerを提案する。
さらに,LC表現の文脈認識融合のためのクロスアテンション駆動型ジョイントデコーダを提案し,LCの洗練とLC誘導の監督を行い,知覚の忠実度と構造的整合性を大幅に向上させる。
TFFormer は LSD (+2.45 dB PSNR) の最先端結果を実現し、低照度物体検出 (+6.80 mAP on ExDark) などの下流視覚タスクを大幅に改善する。
関連論文リスト
- SAIGFormer: A Spatially-Adaptive Illumination-Guided Network for Low-Light Image Enhancement [58.79901582809091]
近年, トランスフォーマーを用いた低照度化手法は, 世界照明の回復に有望な進展をもたらした。
近年, トランスフォーマーを用いた低照度化手法は, 世界照明の回復に有望な進展をもたらした。
正確な照明復元を可能にする空間適応照明誘導変圧器フレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-21T11:38:56Z) - Towards Lightest Low-Light Image Enhancement Architecture for Mobile Devices [3.7651572719063178]
モバイルおよび組み込みデバイス上でのリアルタイム低照度画像強調には、視覚的品質と計算効率のバランスをとるモデルが必要である。
大規模監視への依存を解消する超軽量無監督強化フレームワーク LiteIE を提案する。
LiteIEは、わずか58パラメータの4Kイメージで30 FPSで動作し、エッジデバイスへのリアルタイムデプロイメントを可能にする。
論文 参考訳（メタデータ） (2025-07-06T07:36:47Z) - Learning to See in the Extremely Dark [41.386150786725295]
我々は、高解像度のRAW画像を生成することができるペア対ペアデータ合成パイプラインを提案する。
See-in-Extremely-Dark(SIED)と呼ばれる大規模なペアデータセットは、低照度RAW画像拡張アプローチのベンチマークに使用される。
非常に低SNR RAW入力から視覚的満足度を回復する拡散型フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-26T10:24:07Z) - SEE: See Everything Every Time -- Adaptive Brightness Adjustment for Broad Light Range Images via Events [53.79905461386883]
ダイナミックレンジが120億ドルを超えるイベントカメラは、従来の組込みカメラをはるかに上回っている。
本研究では,広い照明条件下で撮影した画像の明るさを拡張・適応的に調整するために,イベントをどのように利用するかという,新しい研究課題を提案する。
我々のフレームワークは、センサパターンを通して色を捉え、イベントを輝度辞書としてモデル化するためにクロスアテンションを使用し、画像のダイナミックレンジを調整し、広い光域表現を形成する。
論文 参考訳（メタデータ） (2025-02-28T14:55:37Z) - 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) - Deep Joint Unrolling for Deblurring and Low-Light Image Enhancement (JUDE) [5.013248430919224]
JUDEはDeblurring and Low-Light Image EnhancementのためのDeep Joint Unrollingである。
レチネックス理論とぼやけたモデルに基づいて、低照度のぼやけた入力を反復的に分解して分解する。
我々は,初期ぼやけたカーネルを推定し,明るさを高め,最終画像のノイズを除去するために,様々なモジュールを組み込んだ。
論文 参考訳（メタデータ） (2024-12-10T14:03:41Z) - BVI-RLV: A Fully Registered Dataset and Benchmarks for Low-Light Video Enhancement [56.97766265018334]
本稿では,2つの異なる低照度条件下での様々な動きシナリオを持つ40のシーンからなる低照度映像データセットを提案する。
我々は、プログラム可能なモータードリーを用いて、通常の光で捉えた完全に登録された地上真実データを提供し、異なる光レベルにわたるピクセルワイドフレームアライメントのための画像ベースアプローチによりそれを洗練する。
実験の結果,Low-light Video enhancement (LLVE) における完全登録ビデオペアの重要性が示された。
論文 参考訳（メタデータ） (2024-07-03T22:41:49Z) - Towards Robust Event-guided Low-Light Image Enhancement: A Large-Scale Real-World Event-Image Dataset and Novel Approach [7.974102031202597]
そこで本研究では,低照度および常照度条件下での30万組以上の画像とイベントからなる実世界(屋内および屋外)データセットを提案する。
このデータセットに基づいて、実世界の低照度シーンにおけるロバストなパフォーマンスを実現するために、EvLightと呼ばれるイベント誘導型LIEアプローチを提案する。
論文 参考訳（メタデータ） (2024-04-01T00:18:17Z) - BVI-Lowlight: Fully Registered Benchmark Dataset for Low-Light Video Enhancement [44.1973928137492]
本稿では,2つの低照度条件下での様々な動きシナリオにおける40のシーンからなる,新しい低照度映像データセットを提案する。
我々は、プログラム可能な電動ドリーを用いて、通常の光で捉えた完全に登録された地上真実データを提供する。
画像ベースのポストプロセッシングによりそれらを洗練し、異なる光レベルにおけるフレームの画素ワイドアライメントを保証する。
論文 参考訳（メタデータ） (2024-02-03T00:40:22Z) - Diving into Darkness: A Dual-Modulated Framework for High-Fidelity
Super-Resolution in Ultra-Dark Environments [51.58771256128329]
本稿では,低照度超解像課題の性質を深く理解しようとする,特殊二変調学習フレームワークを提案する。
Illuminance-Semantic Dual Modulation (ISDM) コンポーネントを開発した。
包括的実験は、我々のアプローチが多様で挑戦的な超低照度条件に適用可能であることを示す。
論文 参考訳（メタデータ） (2023-09-11T06:55:32Z) - Enhancing Low-Light Images in Real World via Cross-Image Disentanglement [58.754943762945864]
そこで本研究では,現実の汚職とミスアライメントされたトレーニング画像からなる,新しい低照度画像強調データセットを提案する。
本モデルでは,新たに提案したデータセットと,他の一般的な低照度データセットの両方に対して,最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-01-10T03:12:52Z) - CERL: A Unified Optimization Framework for Light Enhancement with
Realistic Noise [81.47026986488638]
現実世界で撮影された低照度画像は、センサーノイズによって必然的に破損する。
既存の光強調法は、拡張中の現実世界のノイズの重要な影響を見落としているか、ノイズ除去を別の前処理または後処理のステップとして扱うかのどちらかである。
実世界の低照度雑音画像(CERL)のコーディネート・エンハンスメントを行い,光強調部と雑音抑制部を一体化・物理接地したフレームワークにシームレスに統合する。
論文 参考訳（メタデータ） (2021-08-01T15:31:15Z) - Degrade is Upgrade: Learning Degradation for Low-light Image Enhancement [52.49231695707198]
2段階の工程で細部と色を精錬しながら、内在的な劣化と低照度画像を照らし出す。
カラー画像の定式化に触発されて,まず低照度入力からの劣化を推定し,環境照明色の歪みをシミュレーションし,そのコンテンツを精錬して拡散照明色の損失を回復した。
LOL1000データセットではPSNRで0.95dB、ExDarkデータセットでは3.18%のmAPでSOTAを上回った。
論文 参考訳（メタデータ） (2021-03-19T04:00:27Z) - L^2UWE: A Framework for the Efficient Enhancement of Low-Light
Underwater Images Using Local Contrast and Multi-Scale Fusion [84.11514688735183]
そこで本研究では,局所コントラスト情報から大気光の効率的なモデルが導出可能であるという観測結果に基づいて,単一画像の低照度水中画像エンハンサーL2UWEを提案する。
これらの画像を組み合わせて、高輝度、高輝度、局所コントラストの領域を強調しながら、マルチスケールの融合プロセスを用いる。
水中および低照度シーンに特有な7つの最先端拡張手法に対して,7つの指標を用いてL2UWEの性能を実証した。
論文 参考訳（メタデータ） (2020-05-28T01:57:32Z) - Extreme Low-Light Imaging with Multi-granulation Cooperative Networks [18.438827277749525]
低照度画像は、信号対雑音比の低さ、複雑な画像内容、および極低照度の撮影シーンの多様性により、暗くノイズのように見えるため、低照度画像は困難である。
極低照度条件下での撮像品質向上のための多くの手法が提案されているが、良好な結果を得ることは困難である。
論文 参考訳（メタデータ） (2020-05-16T14:26:06Z) - VIDIT: Virtual Image Dataset for Illumination Transfer [18.001635516017902]
VIDIT(Virtual Image dataset for Illumination Transfer)を提案する。
VIDITには、トレーニングに使用される300の仮想シーンが含まれており、各シーンは合計で40回撮影されている。
論文 参考訳（メタデータ） (2020-05-11T21:58:03Z) - 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。