論文の概要: Learning Physics-Informed Color-Aware Transforms for Low-Light Image Enhancement

• arxiv url: http://arxiv.org/abs/2504.11896v1
• Date: Wed, 16 Apr 2025 09:23:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-17 14:37:09.421581
• Title: Learning Physics-Informed Color-Aware Transforms for Low-Light Image Enhancement
• Title（参考訳）: 低照度画像強調のための物理インフォームカラーアウェア変換の学習
• Authors: Xingxing Yang, Jie Chen, Zaifeng Yang,
• Abstract要約: 本稿では,分解された物理情報に基づく低照度画像強調手法を提案する。 sRGB色空間における低照度画像と通常照度画像を直接マッピングする既存の方法は、一貫性のない色予測に悩まされている。 提案するPiCatフレームワークは,5つのベンチマークデータセットを対象とした最先端手法と比較して優れた性能を示す。
• 参考スコア（独自算出の注目度）: 5.8550460201927725
• License:
• Abstract: Image decomposition offers deep insights into the imaging factors of visual data and significantly enhances various advanced computer vision tasks. In this work, we introduce a novel approach to low-light image enhancement based on decomposed physics-informed priors. Existing methods that directly map low-light to normal-light images in the sRGB color space suffer from inconsistent color predictions and high sensitivity to spectral power distribution (SPD) variations, resulting in unstable performance under diverse lighting conditions. To address these challenges, we introduce a Physics-informed Color-aware Transform (PiCat), a learning-based framework that converts low-light images from the sRGB color space into deep illumination-invariant descriptors via our proposed Color-aware Transform (CAT). This transformation enables robust handling of complex lighting and SPD variations. Complementing this, we propose the Content-Noise Decomposition Network (CNDN), which refines the descriptor distributions to better align with well-lit conditions by mitigating noise and other distortions, thereby effectively restoring content representations to low-light images. The CAT and the CNDN collectively act as a physical prior, guiding the transformation process from low-light to normal-light domains. Our proposed PiCat framework demonstrates superior performance compared to state-of-the-art methods across five benchmark datasets.
• Abstract（参考訳）: 画像分解は、視覚データの撮像要素に関する深い洞察を与え、様々な高度なコンピュータビジョンタスクを著しく強化する。 本研究では,分解された物理情報に基づく低照度画像強調手法を提案する。 sRGB色空間における低照度から通常照度に直接マップする既存の方法は、一貫性のない色予測とスペクトル電力分布(SPD)の高感度な変化に悩まされ、様々な照明条件下での不安定な性能をもたらす。 これらの課題に対処するため、我々は、SRGB色空間からの低照度画像を、提案したColor-aware Transform (CAT)を介して深い照明不変記述子に変換する学習ベースのフレームワークPiCatを紹介した。 この変換により、複雑な照明とSPD変動の堅牢なハンドリングが可能になる。 そこで本研究では,CNDN(Content-Noise Decomposition Network)を提案し,低照度画像へのコンテント表現の復元を効果的に行う。 CATとCNDNは一括して物理前駆体として機能し、低照度領域から常照度領域への変換プロセスを導く。 提案するPiCatフレームワークは,5つのベンチマークデータセットを対象とした最先端手法と比較して優れた性能を示す。

関連論文リスト

• LTCF-Net: A Transformer-Enhanced Dual-Channel Fourier Framework for Low-Light Image Restoration [1.049712834719005]
  低照度画像の高精細化を目的とした新しいネットワークアーキテクチャであるLTCF-Netを導入する。 提案手法では2つの色空間(LABとYUV)を用いて色情報を効率的に分離処理する。 我々のモデルは、画像コンテンツを包括的に理解するためのTransformerアーキテクチャを取り入れている。
  論文  参考訳（メタデータ） (2024-11-24T07:21:17Z)
• 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)
• You Only Need One Color Space: An Efficient Network for Low-light Image Enhancement [50.37253008333166]
  低照度画像強調(LLIE)タスクは、劣化した低照度画像から詳細と視覚情報を復元する傾向がある。 水平/垂直インテンシティ(HVI)と呼ばれる新しいトレーニング可能なカラー空間を提案する。 輝度と色をRGBチャネルから切り離して、拡張中の不安定性を緩和するだけでなく、トレーニング可能なパラメータによって異なる照明範囲の低照度画像にも適応する。
  論文  参考訳（メタデータ） (2024-02-08T16:47:43Z)
• 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)
• 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)
• 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)
• Brighten-and-Colorize: A Decoupled Network for Customized Low-Light Image Enhancement [22.097267755811192]
  低照度画像強調(LLIE)は、低照度で撮影された画像の知覚品質を改善することを目的としている。 この領域の最近の進歩は、主に色覚の役割を無視しながら、明るさの洗練に焦点を当てている。 本研究では、上記の問題に対処するために、BCGネットワーク(BCGNet)を提案する。
  論文  参考訳（メタデータ） (2023-08-06T06:04:16Z)
• 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)
• 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)

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。