論文の概要: FusionNet: Multi-model Linear Fusion Framework for Low-light Image Enhancement
- arxiv url: http://arxiv.org/abs/2504.19295v1
- Date: Sun, 27 Apr 2025 16:22:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:54.220912
- Title: FusionNet: Multi-model Linear Fusion Framework for Low-light Image Enhancement
- Title(参考訳): FusionNet:低照度画像強調のための多モデル線形融合フレームワーク
- Authors: Kangbiao Shi, Yixu Feng, Tao Hu, Yu Cao, Peng Wu, Yijin Liang, Yanning Zhang, Qingsen Yan,
- Abstract要約: FusionNetは、多様な色空間をまたいだグローバルな特徴とローカルな特徴を捉えるために並列に動作する、新しいマルチモデル線形融合フレームワークである。
ヒルベルト空間理論的な保証によって支えられた線形融合戦略を取り入れることで、FusionNetはネットワークの崩壊を軽減し、過度の訓練コストを削減できる。
CVPR2025 NTIRE Low Light Enhancement Challengeで1位を獲得した。
- 参考スコア(独自算出の注目度): 42.13579140792305
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The advent of Deep Neural Networks (DNNs) has driven remarkable progress in low-light image enhancement (LLIE), with diverse architectures (e.g., CNNs and Transformers) and color spaces (e.g., sRGB, HSV, HVI) yielding impressive results. Recent efforts have sought to leverage the complementary strengths of these paradigms, offering promising solutions to enhance performance across varying degradation scenarios. However, existing fusion strategies are hindered by challenges such as parameter explosion, optimization instability, and feature misalignment, limiting further improvements. To overcome these issues, we introduce FusionNet, a novel multi-model linear fusion framework that operates in parallel to effectively capture global and local features across diverse color spaces. By incorporating a linear fusion strategy underpinned by Hilbert space theoretical guarantees, FusionNet mitigates network collapse and reduces excessive training costs. Our method achieved 1st place in the CVPR2025 NTIRE Low Light Enhancement Challenge. Extensive experiments conducted on synthetic and real-world benchmark datasets demonstrate that the proposed method significantly outperforms state-of-the-art methods in terms of both quantitative and qualitative results, delivering robust enhancement under diverse low-light conditions.
- Abstract(参考訳): ディープニューラルネットワーク(DNN)の出現は、様々なアーキテクチャ(例えば、CNNやトランスフォーマー)と色空間(例えば、sRGB、HSV、HVI)による低照度画像拡張(LLIE)の顕著な進歩をもたらしている。
近年の取り組みは、これらのパラダイムの補完的な強みを活用し、様々な劣化シナリオにおけるパフォーマンス向上のための有望なソリューションを提供しようとしている。
しかし、既存の融合戦略は、パラメータの爆発、最適化の不安定性、機能的ミスアライメントといった課題によって妨げられ、さらなる改善が制限される。
これらの問題を克服するため、FusionNetは並列に動作する新しい多モデル線形融合フレームワークであり、多様な色空間をまたいだグローバルな特徴と局所的な特徴を効果的に捉えることができる。
ヒルベルト空間理論的な保証によって支えられた線形融合戦略を取り入れることで、FusionNetはネットワークの崩壊を軽減し、過度の訓練コストを削減できる。
CVPR2025 NTIRE Low Light Enhancement Challengeで1位を獲得した。
合成および実世界のベンチマークデータセットで行った大規模な実験により、提案手法は定量および定性的な結果の両方で最先端の手法を著しく上回り、多様な低照度条件下で堅牢な拡張を実現することを示した。
関連論文リスト
- DEAL: Data-Efficient Adversarial Learning for High-Quality Infrared Imaging [47.22313650077835]
温度劣化シミュレーションをミニマックス最適化によりトレーニングプロセスに統合する。
シミュレーションは、目的関数を最大化するために動的であり、これにより、劣化したデータ分布の幅広いスペクトルをキャプチャする。
このアプローチにより、限られたデータによるトレーニングが可能になり、モデルのパフォーマンスが向上する。
論文 参考訳(メタデータ) (2025-03-02T14:15:44Z) - GFN: A graph feedforward network for resolution-invariant reduced operator learning in multifidelity applications [0.0]
本研究は,多忠実度アプリケーションのための新しい分解能不変モデルオーダー削減戦略を提案する。
我々はこの研究で開発された新しいニューラルネットワーク層、グラフフィードフォワードネットワークに基づいてアーキテクチャを構築した。
パラメトリックな偏微分方程式に対する自己エンコーダに基づく還元戦略において,異なるメッシュサイズでのトレーニングとテストの能力を利用する。
論文 参考訳(メタデータ) (2024-06-05T18:31:37Z) - Low-Light Video Enhancement via Spatial-Temporal Consistent Illumination and Reflection Decomposition [68.6707284662443]
低照度ビデオエンハンスメント(LLVE)は、激しい視認性とノイズに悩まされる動的および静的なシーンの復元を目指している。
1つの重要な側面は、時間空間照明と外観強化バージョンに特化した一貫性の制約を定式化することである。
本稿では,レチネックスを基盤とした革新的なビデオ分解戦略について述べる。
論文 参考訳(メタデータ) (2024-05-24T15:56:40Z) - Physics-Inspired Degradation Models for Hyperspectral Image Fusion [61.743696362028246]
ほとんどの融合法は、融合アルゴリズム自体にのみ焦点をあて、分解モデルを見落としている。
我々は、LR-HSIとHR-MSIの劣化をモデル化するための物理インスパイアされた劣化モデル(PIDM)を提案する。
提案したPIDMは,既存の核融合法における核融合性能を向上させることができる。
論文 参考訳(メタデータ) (2024-02-04T09:07:28Z) - Searching a Compact Architecture for Robust Multi-Exposure Image Fusion [55.37210629454589]
2つの大きなスタブリングブロックは、画素の不一致や非効率な推論など、開発を妨げる。
本研究では,高機能なマルチ露光画像融合のための自己アライメントとディテールリプレクションモジュールを取り入れたアーキテクチャ検索に基づくパラダイムを提案する。
提案手法は様々な競争方式より優れており、一般的なシナリオではPSNRが3.19%向上し、不整合シナリオでは23.5%向上した。
論文 参考訳(メタデータ) (2023-05-20T17:01:52Z) - LRRNet: A Novel Representation Learning Guided Fusion Network for
Infrared and Visible Images [98.36300655482196]
我々は,融合タスクを数学的に定式化し,その最適解とそれを実装可能なネットワークアーキテクチャとの接続を確立する。
特に、融合タスクに学習可能な表現アプローチを採用し、融合ネットワークアーキテクチャの構築は学習可能なモデルを生成する最適化アルゴリズムによって導かれる。
この新しいネットワークアーキテクチャに基づいて、赤外線および可視光画像を融合するために、エンドツーエンドの軽量核融合ネットワークを構築する。
論文 参考訳(メタデータ) (2023-04-11T12:11:23Z) - Efficient Image Super-Resolution with Feature Interaction Weighted Hybrid Network [101.53907377000445]
軽量画像超解像は、低解像度画像から低計算コストで高解像度画像を再構成することを目的としている。
既存の方法では、活性化関数による中間層の特徴が失われる。
本稿では,中間的特徴損失が再構成品質に与える影響を最小限に抑えるために,特徴相互作用重み付きハイブリッドネットワーク(FIWHN)を提案する。
論文 参考訳(メタデータ) (2022-12-29T05:57:29Z) - Exploring Fusion Strategies for Accurate RGBT Visual Object Tracking [1.015785232738621]
ビデオにおけるマルチモーダル物体追跡の問題に対処する。
可視光(RGB)および熱赤外(TIR)変調によって伝達される相補的情報を融合する様々な選択肢について検討する。
論文 参考訳(メタデータ) (2022-01-21T12:37:43Z) - Light Field Reconstruction via Deep Adaptive Fusion of Hybrid Lenses [67.01164492518481]
本稿では,ハイブリットレンズを用いた高分解能光場(LF)画像の再構成問題について検討する。
本稿では,入力の特徴を包括的に活用できる新しいエンドツーエンド学習手法を提案する。
我々のフレームワークは、高解像度なLFデータ取得のコストを削減し、LFデータストレージと送信の恩恵を受ける可能性がある。
論文 参考訳(メタデータ) (2021-02-14T06:44:47Z)
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。