論文の概要: DarkDiff: Advancing Low-Light Raw Enhancement by Retasking Diffusion Models for Camera ISP
- arxiv url: http://arxiv.org/abs/2505.23743v1
- Date: Thu, 29 May 2025 17:58:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-30 18:14:08.074216
- Title: DarkDiff: Advancing Low-Light Raw Enhancement by Retasking Diffusion Models for Camera ISP
- Title（参考訳）: DarkDiff: カメラISPの拡散モデルによる低照度向上
- Authors: Amber Yijia Zheng, Yu Zhang, Jun Hu, Raymond A. Yeh, Chen Chen,
- Abstract要約: 本稿では,カメラISPで事前学習した生成拡散モデルを再現することにより,低照度生画像を改善する新しいフレームワークを提案する。
提案手法は, 3つの低照度原画像ベンチマークにおいて, 知覚品質の最先端性よりも優れていた。
- 参考スコア（独自算出の注目度）: 17.881385252833077
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-quality photography in extreme low-light conditions is challenging but impactful for digital cameras. With advanced computing hardware, traditional camera image signal processor (ISP) algorithms are gradually being replaced by efficient deep networks that enhance noisy raw images more intelligently. However, existing regression-based models often minimize pixel errors and result in oversmoothing of low-light photos or deep shadows. Recent work has attempted to address this limitation by training a diffusion model from scratch, yet those models still struggle to recover sharp image details and accurate colors. We introduce a novel framework to enhance low-light raw images by retasking pre-trained generative diffusion models with the camera ISP. Extensive experiments demonstrate that our method outperforms the state-of-the-art in perceptual quality across three challenging low-light raw image benchmarks.
- Abstract（参考訳）: 非常に低照度な条件下での高品質な撮影は難しいが、デジタルカメラには影響がある。
高度なコンピューティングハードウェアでは、従来のカメライメージ信号プロセッサ(ISP)アルゴリズムは、ノイズの多い生画像をよりインテリジェントに強化する効率的なディープネットワークに徐々に置き換えられている。
しかし、既存の回帰ベースのモデルは、しばしばピクセルエラーを最小限に抑え、低照度の写真や深い影の過度なスムース化をもたらす。
最近の研究は、拡散モデルをゼロからトレーニングすることで、この制限に対処しようとしているが、これらのモデルは、シャープな画像の詳細と正確な色を回復するのに依然として苦労している。
本稿では,カメラISPで事前学習した生成拡散モデルを再現することにより,低照度生画像を改善する新しいフレームワークを提案する。
広汎な実験により,本手法は3つの低照度原画像ベンチマークにおいて,知覚品質の最先端性よりも優れていた。
関連論文リスト
- Rethinking High-speed Image Reconstruction Framework with Spike Camera [48.627095354244204]
スパイクカメラは連続的なスパイクストリームを生成し、従来のRGBカメラよりも低帯域幅でダイナミックレンジの高速シーンをキャプチャする。
従来のトレーニングパラダイムを超える新しいスパイク・ツー・イメージ再構築フレームワークであるSpikeCLIPを導入する。
実世界の低照度データセットに対する実験により、SpikeCLIPはテクスチャの詳細と回復した画像の輝度バランスを大幅に向上することが示された。
論文 参考訳（メタデータ） (2025-01-08T13:00:17Z) - DiffuseRAW: End-to-End Generative RAW Image Processing for Low-Light Images [5.439020425819001]
我々はRAW画像上の微調整潜伏拡散モデルに依存する新しい生成ISPを開発した。
我々は、有望な結果が得られる人気のエンドツーエンドの低照度データセットに対するアプローチを評価した。
論文 参考訳（メタデータ） (2023-12-13T03:39:05Z) - LDM-ISP: Enhancing Neural ISP for Low Light with Latent Diffusion Models [54.93010869546011]
本稿では,事前学習した潜伏拡散モデルを用いて,超低照度画像の高精細化のためのニューラルISPを実現することを提案する。
具体的には、RAWドメイン上で動作するために事前訓練された潜在拡散モデルを調整するために、軽量なテーミングモジュールのセットをトレーニングする。
遅延拡散モデルにおけるUNet復調と復号化の異なる役割を観察し、低照度画像強調タスクを遅延空間低周波コンテンツ生成と復号位相高周波ディテール保守に分解するきっかけとなる。
論文 参考訳（メタデータ） (2023-12-02T04:31:51Z) - Diffusion in the Dark: A Diffusion Model for Low-Light Text Recognition [78.50328335703914]
ディフュージョン・イン・ザ・ダーク (Diffusion in the Dark, DiD) は、テキスト認識のための低照度画像再構成のための拡散モデルである。
実画像上での低照度テキスト認識において,Digital DiDがSOTAの低照度手法より優れていることを示す。
論文 参考訳（メタデータ） (2023-03-07T23:52:51Z) - High Dynamic Range and Super-Resolution from Raw Image Bursts [52.341483902624006]
本稿では,露光ブラケット付きハンドヘルドカメラで撮影した原写真からの高解像度・高ダイナミックレンジカラー画像の再構成について紹介する。
提案アルゴリズムは,画像復元における最先端の学習手法と比較して,メモリ要求の少ない高速なアルゴリズムである。
実験では、ハンドヘルドカメラで野生で撮影された実際の写真に最大4ドル(約4,800円)の超高解像度な要素で優れた性能を示す。
論文 参考訳（メタデータ） (2022-07-29T13:31:28Z) - Burst Photography for Learning to Enhance Extremely Dark Images [19.85860245798819]
本稿では,超暗い原画像からよりシャープで高精度なRGB画像を得るため,バースト撮影を活用することを目的とする。
提案するフレームワークのバックボーンは,高品質な出力を段階的に生成する,粗大なネットワークアーキテクチャである。
実験により,本手法は,より詳細で高画質な画像を生成することによって,最先端の手法よりも知覚的により満足な結果をもたらすことが示された。
論文 参考訳（メタデータ） (2020-06-17T13:19:07Z)
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。