論文の概要: UnfoldIR: Rethinking Deep Unfolding Network in Illumination Degradation Image Restoration

• arxiv url: http://arxiv.org/abs/2505.06683v1
• Date: Sat, 10 May 2025 16:13:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:48.986077
• Title: UnfoldIR: Rethinking Deep Unfolding Network in Illumination Degradation Image Restoration
• Title（参考訳）: UnfoldIR:照明劣化画像復元における深部展開ネットワークの再考
• Authors: Chunming He, Rihan Zhang, Fengyang Xiao, Chengyu Fang, Longxiang Tang, Yulun Zhang, Sina Farsiu,
• Abstract要約: DUN(Deep Openfolding Network)は、照明劣化画像復元(IDIR)に広く利用されている。 IDIRタスクのための新しいDUNベースのUnfoldIRを提案する。 反射率支援照明補正(RAIC)モジュールと照明誘導反射率向上(IGRE)モジュールから構成される。
• 参考スコア（独自算出の注目度）: 33.290565892897824
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep unfolding networks (DUNs) are widely employed in illumination degradation image restoration (IDIR) to merge the interpretability of model-based approaches with the generalization of learning-based methods. However, the performance of DUN-based methods remains considerably inferior to that of state-of-the-art IDIR solvers. Our investigation indicates that this limitation does not stem from structural shortcomings of DUNs but rather from the limited exploration of the unfolding structure, particularly for (1) constructing task-specific restoration models, (2) integrating advanced network architectures, and (3) designing DUN-specific loss functions. To address these issues, we propose a novel DUN-based method, UnfoldIR, for IDIR tasks. UnfoldIR first introduces a new IDIR model with dedicated regularization terms for smoothing illumination and enhancing texture. We unfold the iterative optimized solution of this model into a multistage network, with each stage comprising a reflectance-assisted illumination correction (RAIC) module and an illumination-guided reflectance enhancement (IGRE) module. RAIC employs a visual state space (VSS) to extract non-local features, enforcing illumination smoothness, while IGRE introduces a frequency-aware VSS to globally align similar textures, enabling mildly degraded regions to guide the enhancement of details in more severely degraded areas. This suppresses noise while enhancing details. Furthermore, given the multistage structure, we propose an inter-stage information consistent loss to maintain network stability in the final stages. This loss contributes to structural preservation and sustains the model's performance even in unsupervised settings. Experiments verify our effectiveness across 5 IDIR tasks and 3 downstream problems.
• Abstract（参考訳）: ディープ・アンフォールディング・ネットワーク(DUN)は、モデルベースアプローチの解釈可能性と学習ベース手法の一般化を融合させるために、照明劣化画像復元(IDIR)に広く利用されている。 しかし、DUNベースの手法の性能は、最先端のIDIRソルバよりもかなり劣っている。 特に,(1)タスク固有の復元モデルの構築,(2)高度なネットワークアーキテクチャの統合,(3)DUN固有の損失関数の設計などにおいて,この制限はDUNの構造的欠点に起因していると考えられる。 これらの課題に対処するために,IDIRタスクのための新しいDUNベースのUnfoldIRを提案する。 UnfoldIRはまず、照明のスムーズ化とテクスチャの強化のための専用正規化用語を備えた新しいIDIRモデルを導入する。 反射率支援照明補正(RAIC)モジュールと照明誘導反射率向上(IGRE)モジュールから構成される。 RAICは、非局所的な特徴を抽出し、照明の滑らかさを強制する視覚状態空間(VSS)を採用し、IGREは、周波数対応のVSSを導入し、類似したテクスチャをグローバルに整列させ、軽度に劣化した領域で詳細の強化を誘導する。 これによりノイズが抑制され、詳細が強化される。 さらに,多段階構造を考慮し,最終段階におけるネットワーク安定性を維持するために,段階間情報一貫した損失を提案する。 この損失は構造的な保存に寄与し、教師なしの設定でもモデルの性能を維持する。 実験では、5つのIDIRタスクと3つの下流問題で有効性を検証する。

関連論文リスト

• Unsupervised Image Super-Resolution Reconstruction Based on Real-World Degradation Patterns [4.977925450373957]
  超解像再構成モデルのトレーニングのための新しいTripleGANフレームワークを提案する。 このフレームワークは、LR観測から実世界の劣化パターンを学習し、対応する劣化特性を持つデータセットを合成する。 本手法は, 過スムーズなアーティファクトを伴わずに, 鋭い復元を維持しながら, 定量的な測定値に明らかな利点を示す。
  論文  参考訳（メタデータ） (2025-06-20T14:24:48Z)
• Vision-Language Gradient Descent-driven All-in-One Deep Unfolding Networks [14.180694577459425]
  Vision-Language-Guided Unfolding Network (VLU-Net)は、複数の分解タイプを同時に扱うための統合DUNフレームワークである。 VLU-Netは、最初のオールインワンのDUNフレームワークであり、SOTSデハージングデータセットで3.74dB、Rain100Lデラリニングデータセットで1.70dB、現在のリードワンとオールインワンのエンドツーエンドメソッドで3.74dBを上回ります。
  論文  参考訳（メタデータ） (2025-03-21T08:02:48Z)
• A Lightweight Deep Exclusion Unfolding Network for Single Image Reflection Removal [68.0573194557999]
  シングルイメージリフレクション除去(SIRR)は、標準的なブラインドソース分離問題である。 本稿ではSIRRのための新しいDeep Exclusion Unfolding Network(DExNet)を提案する。 DExNetは、単純な反復スパースと補助的特徴更新(i-SAFU)アルゴリズムの展開とパラメータ化によって構築される。
  論文  参考訳（メタデータ） (2025-03-03T07:54:27Z)
• LoRA-IR: Taming Low-Rank Experts for Efficient All-in-One Image Restoration [62.3751291442432]
  高速なオールインワン画像復元を実現するために,コンパクトな低ランクの専門家を動的に活用する,フレキシブルなフレームワークであるLoRA-IRを提案する。 LoRA-IRは、劣化誘導前訓練とパラメータ効率の良い微調整の2つの訓練段階で構成されている。 実験により、LoRA-IRは計算効率を維持しつつ、14のIRタスクと29のベンチマークでSOTA性能を達成することが示された。
  論文  参考訳（メタデータ） (2024-10-20T13:00:24Z)
• 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)
• Reti-Diff: Illumination Degradation Image Restoration with Retinex-based Latent Diffusion Model [59.08821399652483]
  照明劣化画像復元(IDIR)技術は、劣化した画像の視認性を改善し、劣化した照明の悪影響を軽減することを目的としている。 これらのアルゴリズムのうち、拡散モデル(DM)に基づく手法は期待できる性能を示しているが、画像レベルの分布を予測する際に、重い計算要求や画素の不一致の問題に悩まされることが多い。 我々は、コンパクトな潜在空間内でDMを活用して、簡潔な指導先を生成することを提案し、IDIRタスクのためのReti-Diffと呼ばれる新しいソリューションを提案する。 Reti-Diff は Retinex-based Latent DM (RLDM) と Retinex-Guided Transformer (RG) の2つの鍵成分からなる。
  論文  参考訳（メタデータ） (2023-11-20T09:55:06Z)
• Enhancing Low-light Light Field Images with A Deep Compensation Unfolding Network [52.77569396659629]
  本稿では,低光環境下で撮像した光場(LF)画像の復元に,DCUNet(Deep compensation network openfolding)を提案する。 このフレームワークは、中間拡張結果を使用して照明マップを推定し、展開プロセスで新しい拡張結果を生成する。 本稿では,LF画像の特徴を適切に活用するために,擬似明示的特徴相互作用モジュールを提案する。
  論文  参考訳（メタデータ） (2023-08-10T07:53:06Z)
• Learning Deep Context-Sensitive Decomposition for Low-Light Image Enhancement [58.72667941107544]
  典型的なフレームワークは、照明と反射を同時に推定することであるが、特徴空間にカプセル化されたシーンレベルの文脈情報を無視する。 本研究では,空間スケールにおけるシーンレベルのコンテキスト依存を生かした,コンテキスト依存型分解ネットワークアーキテクチャを提案する。 チャネル数を減らして軽量なCSDNet(LiteCSDNet)を開発する。
  論文  参考訳（メタデータ） (2021-12-09T06:25:30Z)
• Accurate and Lightweight Image Super-Resolution with Model-Guided Deep Unfolding Network [63.69237156340457]
  我々は、モデル誘導深部展開ネットワーク(MoG-DUN)と呼ばれるSISRに対する説明可能なアプローチを提示し、提唱する。 MoG-DUNは正確(エイリアスを少なくする)、計算効率(モデルパラメータを減らした)、多用途(多重劣化を処理できる)である。 RCAN, SRDNF, SRFBNを含む既存の最先端画像手法に対するMoG-DUN手法の優位性は、いくつかの一般的なデータセットと様々な劣化シナリオに関する広範な実験によって実証されている。
  論文  参考訳（メタデータ） (2020-09-14T08:23:37Z)

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。