論文の概要: Interpretable Unsupervised Joint Denoising and Enhancement for Real-World low-light Scenarios

• arxiv url: http://arxiv.org/abs/2503.14535v1
• Date: Mon, 17 Mar 2025 12:08:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 15:24:36.138541
• Title: Interpretable Unsupervised Joint Denoising and Enhancement for Real-World low-light Scenarios
• Title（参考訳）: 実世界の低照度シナリオに対する解釈不能な統合Denoisingと拡張
• Authors: Huaqiu Li, Xiaowan Hu, Haoqian Wang,
• Abstract要約: 本稿では,現実のシナリオに適した,解釈可能でゼロ参照のジョイント denoising と低照度拡張フレームワークを提案する。 提案手法は,照明レベルと騒音レベルが異なるペアサブイメージに基づくトレーニング戦略を導出する。 バックボーンネットワークの設計において、暗黙の劣化表現機構によって導かれる網膜分解ネットワークを開発する。
• 参考スコア（独自算出の注目度）: 18.622785498617223
• License:
• Abstract: Real-world low-light images often suffer from complex degradations such as local overexposure, low brightness, noise, and uneven illumination. Supervised methods tend to overfit to specific scenarios, while unsupervised methods, though better at generalization, struggle to model these degradations due to the lack of reference images. To address this issue, we propose an interpretable, zero-reference joint denoising and low-light enhancement framework tailored for real-world scenarios. Our method derives a training strategy based on paired sub-images with varying illumination and noise levels, grounded in physical imaging principles and retinex theory. Additionally, we leverage the Discrete Cosine Transform (DCT) to perform frequency domain decomposition in the sRGB space, and introduce an implicit-guided hybrid representation strategy that effectively separates intricate compounded degradations. In the backbone network design, we develop retinal decomposition network guided by implicit degradation representation mechanisms. Extensive experiments demonstrate the superiority of our method. Code will be available at https://github.com/huaqlili/unsupervised-light-enhance-ICLR2025.
• Abstract（参考訳）: 実世界の低照度画像は、しばしば局所的な露光、低輝度、ノイズ、不均一な照明などの複雑な劣化に悩まされる。 監視された手法は特定のシナリオに過度に適合する傾向にあり、教師なしの手法は一般化が優れているが、参照画像の欠如によりこれらの劣化をモデル化するのに苦労する。 この問題に対処するために,現実シナリオに適した,解釈可能な,ゼロ参照のジョイントデノナイズと低照度拡張フレームワークを提案する。 本手法は,物理画像の原理とレチネックス理論を基礎として,照明と騒音のレベルが異なるペアサブイメージに基づくトレーニング戦略を導出する。 さらに、離散コサイン変換(DCT)を利用して、sRGB空間の周波数領域分解を行い、複雑な複合劣化を効果的に分離する暗黙誘導ハイブリッド表現戦略を導入する。 バックボーンネットワークの設計において、暗黙の劣化表現機構によって導かれる網膜分解ネットワークを開発する。 大規模な実験により,本手法の優位性を実証した。 コードはhttps://github.com/huaqli/unsupervised-light-enhance-ICLR2025で入手できる。

関連論文リスト

• Retinex-RAWMamba: Bridging Demosaicing and Denoising for Low-Light RAW Image Enhancement [71.13353154514418]
  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と呼ばれる新しいMambaスキャニング機構を提案する。 また,Retinex の先行したRetinex Decomposition Module (RDM) も提案する。
  論文  参考訳（メタデータ） (2024-09-11T06:12:03Z)
• LightenDiffusion: Unsupervised Low-Light Image Enhancement with Latent-Retinex Diffusion Models [39.28266945709169]
  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。
  論文  参考訳（メタデータ） (2024-07-12T02:54:43Z)
• DPEC: Dual-Path Error Compensation Method for Enhanced Low-Light Image Clarity [2.8161423494191222]
  低照度条件下での画質向上のためのDual-Path Error Compensation (DPEC)法を提案する。 DPECには、微妙な違いを捉えるための正確なピクセルレベルの誤差推定と、ノイズ増幅を防ぐための独立したデノナイジング機構が組み込まれている。 総合的な定量的および定性的実験結果から,このアルゴリズムは低照度画像強調における最先端手法を著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2024-06-28T08:21:49Z)
• Low-Light Image Enhancement with Illumination-Aware Gamma Correction and Complete Image Modelling Network [69.96295927854042]
  低照度環境は通常、情報の少ない大規模な暗黒地帯に繋がる。 本稿では,ガンマ補正の有効性を深層ネットワークのモデリング能力と統合することを提案する。 指数関数演算は高い計算複雑性をもたらすので、Taylor Series を用いてガンマ補正を近似することを提案する。
  論文  参考訳（メタデータ） (2023-08-16T08:46:51Z)
• Cycle-Interactive Generative Adversarial Network for Robust Unsupervised Low-Light Enhancement [109.335317310485]
  CIGAN(Cycle-Interactive Generative Adversarial Network)は、低照度画像間の照明分布の転送を改善できるだけでなく、詳細な信号も操作できる。 特に、提案した低照度誘導変換は、低照度GAN生成器から劣化GAN生成器へ、低照度画像の特徴をフォワードする。
  論文  参考訳（メタデータ） (2022-07-03T06:37:46Z)
• 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)
• 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)
• Frequency Consistent Adaptation for Real World Super Resolution [64.91914552787668]
  実シーンにスーパーリゾリューション(SR)法を適用する際に周波数領域の整合性を保証する新しい周波数一貫性適応(FCA)を提案する。 監視されていない画像から劣化カーネルを推定し、対応するLow-Resolution (LR)画像を生成する。 ドメイン一貫性のあるLR-HRペアに基づいて、容易に実装可能な畳み込みニューラルネットワーク(CNN)SRモデルを訓練する。
  論文  参考訳（メタデータ） (2020-12-18T08:25:39Z)
• 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。