論文の概要: A Poisson-Guided Decomposition Network for Extreme Low-Light Image Enhancement

• arxiv url: http://arxiv.org/abs/2506.04470v1
• Date: Wed, 04 Jun 2025 21:40:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.438172
• Title: A Poisson-Guided Decomposition Network for Extreme Low-Light Image Enhancement
• Title（参考訳）: 極低光画像強調のためのPoisson-Guided Decomposition Network
• Authors: Isha Rao, Sanjay Ghosh,
• Abstract要約: 本稿では,Retinex に基づく分解と Poisson を統合型エンコーダデコーダネットワークに統合した軽量な深層学習手法を提案する。 低照度条件下での視認性と明度は, 環境光下での画像構造と色濃度を保ちながら著しく向上する。
• 参考スコア（独自算出の注目度）: 1.0418202570143507
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Low-light image denoising and enhancement are challenging, especially when traditional noise assumptions, such as Gaussian noise, do not hold in majority. In many real-world scenarios, such as low-light imaging, noise is signal-dependent and is better represented as Poisson noise. In this work, we address the problem of denoising images degraded by Poisson noise under extreme low-light conditions. We introduce a light-weight deep learning-based method that integrates Retinex based decomposition with Poisson denoising into a unified encoder-decoder network. The model simultaneously enhances illumination and suppresses noise by incorporating a Poisson denoising loss to address signal-dependent noise. Without prior requirement for reflectance and illumination, the network learns an effective decomposition process while ensuring consistent reflectance and smooth illumination without causing any form of color distortion. The experimental results demonstrate the effectiveness and practicality of the proposed low-light illumination enhancement method. Our method significantly improves visibility and brightness in low-light conditions, while preserving image structure and color constancy under ambient illumination.
• Abstract（参考訳）: 特にガウスノイズのような従来の雑音仮定が多数を占めない場合、低照度画像の雑音化と強調は困難である。 低照度画像のような現実世界の多くのシナリオでは、ノイズは信号依存であり、ポアソンノイズとして表される。 本研究では,極低照度条件下でのポアソンノイズによる劣化画像の分解問題に対処する。 本稿では,Retinex に基づく分解と Poisson を統合型エンコーダデコーダネットワークに統合した軽量な深層学習手法を提案する。 このモデルは同時に照明を強化し、信号依存ノイズに対処するためにポアソン分解損失を組み込むことでノイズを抑制する。 反射率と照明の事前要件がなければ、ネットワークは、色の歪みを生じさせることなく、一貫した反射率と滑らかな照明を確保しながら、効果的な分解過程を学習する。 実験により, 提案手法の有効性と実用性を示した。 低照度条件下での視認性と明度は, 環境光下での画像構造と色濃度を保ちながら著しく向上する。

関連論文リスト

• Dark Noise Diffusion: Noise Synthesis for Low-Light Image Denoising [22.897202020483576]
  低照度写真は、限られた光子による信号対雑音比の低い画像を生成する。 ディープラーニングの手法はうまく機能するが、取得には実用的でないペア画像の大規模なデータセットが必要である。 本稿では,低照度雑音の複雑な分布を捉える拡散モデルについて検討する。
  論文  参考訳（メタデータ） (2025-03-14T10:16:54Z)
• LUMINA-Net: Low-light Upgrade through Multi-stage Illumination and Noise Adaptation Network for Image Enhancement [26.585985828583304]
  低照度画像強調(LLIE)は、低照度条件下で撮影された画像の視覚的忠実度を高めることを目的としたコンピュータビジョンにおける重要な課題である。 LUMINA-Netは,多段照明と反射モジュールを統合することで,低照度画像ペアから適応的な事前学習を行う,教師なしのディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-02-21T03:37:58Z)
• Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
  低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。 これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。 まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。 次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
  論文  参考訳（メタデータ） (2023-05-17T13:56:48Z)
• 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)
• Adaptive Unfolding Total Variation Network for Low-Light Image Enhancement [6.531546527140475]
  sRGB空間における既存の拡張アルゴリズムのほとんどは、低可視性問題にのみ焦点をあてるか、仮説的雑音レベルの下でノイズを抑圧する。 本稿では,実際のsRGB低照度画像から雑音レベルを近似する適応展開全変動ネットワーク(UTVNet)を提案する。 実世界の低照度画像に対する実験は、最先端の手法よりもUTVNetの優れた性能を明らかに示している。
  論文  参考訳（メタデータ） (2021-10-03T11:22:17Z)
• Physics-based Noise Modeling for Extreme Low-light Photography [63.65570751728917]
  CMOS光センサの撮像パイプラインにおけるノイズ統計について検討する。 実雑音構造を正確に特徴付けることのできる包括的ノイズモデルを定式化する。 我々のノイズモデルは、学習に基づく低照度復調アルゴリズムのためのリアルなトレーニングデータを合成するのに利用できる。
  論文  参考訳（メタデータ） (2021-08-04T16:36:29Z)
• CERL: A Unified Optimization Framework for Light Enhancement with Realistic Noise [81.47026986488638]
  現実世界で撮影された低照度画像は、センサーノイズによって必然的に破損する。 既存の光強調法は、拡張中の現実世界のノイズの重要な影響を見落としているか、ノイズ除去を別の前処理または後処理のステップとして扱うかのどちらかである。 実世界の低照度雑音画像(CERL)のコーディネート・エンハンスメントを行い,光強調部と雑音抑制部を一体化・物理接地したフレームワークにシームレスに統合する。
  論文  参考訳（メタデータ） (2021-08-01T15:31:15Z)
• Low-Light Maritime Image Enhancement with Regularized Illumination Optimization and Deep Noise Suppression [5.401654133604235]
  本稿では,照明の正規化と雑音抑圧による低照度画像の高精細化を提案する。 人工海事画像と現実海事画像の総合的な実験を行い,提案手法と最先端画像との比較を行った。
  論文  参考訳（メタデータ） (2020-08-09T17:05:23Z)
• Deep Bilateral Retinex for Low-Light Image Enhancement [96.15991198417552]
  低照度画像は、低コントラスト、色歪み、測定ノイズによる視界の低下に悩まされる。 本稿では,低照度画像強調のための深層学習手法を提案する。 提案手法は最先端の手法と非常に競合し, 極めて低照度で撮影した画像の処理において, 他に比べて大きな優位性を有する。
  論文  参考訳（メタデータ） (2020-07-04T06:26:44Z)
• 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。