論文の概要: PromptLNet: Region-Adaptive Aesthetic Enhancement via Prompt Guidance in Low-Light Enhancement Net

• arxiv url: http://arxiv.org/abs/2503.08276v1
• Date: Tue, 11 Mar 2025 10:45:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 15:43:22.035567
• Title: PromptLNet: Region-Adaptive Aesthetic Enhancement via Prompt Guidance in Low-Light Enhancement Net
• Title（参考訳）: PromptLNet: 低照度化ネットにおけるプロンプト誘導による領域適応型審美性向上
• Authors: Jun Yin, Yangfan He, Miao Zhang, Pengyu Zeng, Tianyi Wang, Shuai Lu, Xueqian Wang,
• Abstract要約: 複数の低照度画像データセットからテキストペアと美的スコアを用いて、低照度画像の美的評価モデルを訓練する。 本研究では,特定のインスタンスや領域に対して,微粒な明るさと審美的な調整を行えるプロンプト駆動型輝度調整モジュールを提案する。 実験結果から,本手法は視覚的品質の点で従来の手法より優れるだけでなく,柔軟性や制御性も向上することが示された。
• 参考スコア（独自算出の注目度）: 28.970689854467764
• License:
• Abstract: Learning and improving large language models through human preference feedback has become a mainstream approach, but it has rarely been applied to the field of low-light image enhancement. Existing low-light enhancement evaluations typically rely on objective metrics (such as FID, PSNR, etc.), which often result in models that perform well objectively but lack aesthetic quality. Moreover, most low-light enhancement models are primarily designed for global brightening, lacking detailed refinement. Therefore, the generated images often require additional local adjustments, leading to research gaps in practical applications. To bridge this gap, we propose the following innovations: 1) We collect human aesthetic evaluation text pairs and aesthetic scores from multiple low-light image datasets (e.g., LOL, LOL2, LOM, DCIM, MEF, etc.) to train a low-light image aesthetic evaluation model, supplemented by an optimization algorithm designed to fine-tune the diffusion model. 2) We propose a prompt-driven brightness adjustment module capable of performing fine-grained brightness and aesthetic adjustments for specific instances or regions. 3) We evaluate our method alongside existing state-of-the-art algorithms on mainstream benchmarks. Experimental results show that our method not only outperforms traditional methods in terms of visual quality but also provides greater flexibility and controllability, paving the way for improved aesthetic quality.
• Abstract（参考訳）: 人間の嗜好フィードバックによる大規模言語モデルの学習と改善は主流のアプローチとなっているが、低照度画像強調の分野に適用されることはめったにない。 既存の低照度向上評価は、通常、客観的な指標(FID、PSNRなど)に依存しており、しばしば客観的に良好に機能するが、美的品質が欠如するモデルをもたらす。 さらに、ほとんどの低照度拡張モデルは、主に地球規模の明るさ向上のために設計されており、細かな精細化が欠如している。 したがって、生成された画像は、しばしば追加の局所的な調整を必要とするため、実用的な応用において研究のギャップが生じる。 このギャップを埋めるために、私たちは以下のイノベーションを提案します。 1) 低照度画像データセット(LOL, LOL2, LOL2, LOM, DCIM, MEFなど)からヒトの審美評価テキストペアと審美スコアを収集し, 拡散モデルを微調整する最適化アルゴリズムを用いて, 低照度画像審美評価モデルをトレーニングする。 2) 特定のインスタンスや領域に対して, 微粒な明るさと美的調整を行うことができる, プロンプト駆動型明るさ調整モジュールを提案する。 3)本手法と既存の最先端アルゴリズムを併用して,本手法の評価を行った。 実験結果から,本手法は視覚的品質の点で従来の手法より優れるだけでなく,柔軟性や制御性も向上し,審美的品質向上の道を開くことが示唆された。

関連論文リスト

• Recognition-Oriented Low-Light Image Enhancement based on Global and Pixelwise Optimization [0.4951599300340954]
  本稿では,認識モデルの性能向上を目的とした,新しい低照度画像強調手法を提案する。 提案手法は,下流認識モデルの再学習を必要とせず,低照度認識性能を向上させるフィルタとして適用することができる。
  論文  参考訳（メタデータ） (2025-01-08T01:09:49Z)
• Aligning Vision Models with Human Aesthetics in Retrieval: Benchmarks and Algorithms [91.19304518033144]
  検索システムにおける視覚モデルと人間の審美基準の整合を図る。 本研究では、視覚モデルと人間の美学をよりよく整合させるために、視覚モデルを微調整する嗜好に基づく強化学習手法を提案する。
  論文  参考訳（メタデータ） (2024-06-13T17:59:20Z)
• Unsupervised Image Prior via Prompt Learning and CLIP Semantic Guidance for Low-Light Image Enhancement [25.97198463881292]
  本稿では,よりリッチな視覚言語CLIPを利用して,ゼロ参照低照度化手法を提案する。 提案手法はタスクベース性能に関する各種データセット間で一貫した改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-05-19T08:06:14Z)
• 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)
• 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)
• ALL-E: Aesthetics-guided Low-light Image Enhancement [45.40896781156727]
  我々は、新しいパラダイム、すなわち美学誘導低光画像強調(ALL-E)を提案する。 LLEに美的嗜好を導入し、美的報酬を伴う強化学習フレームワークでのトレーニングを動機付けている。 様々なベンチマークの結果は、最先端手法よりもall-Eの方が優れていることを示している。
  論文  参考訳（メタデータ） (2023-04-28T03:34:10Z)
• Gap-closing Matters: Perceptual Quality Evaluation and Optimization of Low-Light Image Enhancement [55.8106019031768]
  低照度画像強調手法の最適化は、エンドユーザーが認識する視覚的品質によって導かれるべきであるという研究コミュニティの見解が高まりつつある。 主観的品質と客観的品質を体系的に評価するためのギャップ閉鎖フレームワークを提案する。 提案手法の有効性を,画質予測の精度と画像強調の知覚品質の両面から検証する。
  論文  参考訳（メタデータ） (2023-02-22T15:57:03Z)
• The Loop Game: Quality Assessment and Optimization for Low-Light Image Enhancement [50.29722732653095]
  低照度画像強調手法の設計と最適化は知覚品質によって完全に駆動される必要があるという認識がますます高まっている。 本稿では,低照度画像の高画質化が視覚的品質の向上にどのように最適化されるかを示すループ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-20T06:20:06Z)
• 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。