論文の概要: IGDNet: Zero-Shot Robust Underexposed Image Enhancement via Illumination-Guided and Denoising

• arxiv url: http://arxiv.org/abs/2507.02445v1
• Date: Thu, 03 Jul 2025 09:01:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-04 15:37:15.983778
• Title: IGDNet: Zero-Shot Robust Underexposed Image Enhancement via Illumination-Guided and Denoising
• Title（参考訳）: IGDNet:照度誘導・デノイングによるゼロショットロバスト画像強調
• Authors: Hailong Yan, Junjian Huang, Tingwen Huang,
• Abstract要約: 本稿では,単一のテスト画像のみで動作するZero-Shot拡張手法IGDNetを提案する。 IGDNetは強力な一般化能力を示し、照明を回復しながらノイズを効果的に抑制する。 複雑な照明条件下では視覚的品質が著しく向上する。
• 参考スコア（独自算出の注目度）: 29.532018926948393
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current methods for restoring underexposed images typically rely on supervised learning with paired underexposed and well-illuminated images. However, collecting such datasets is often impractical in real-world scenarios. Moreover, these methods can lead to over-enhancement, distorting well-illuminated regions. To address these issues, we propose IGDNet, a Zero-Shot enhancement method that operates solely on a single test image, without requiring guiding priors or training data. IGDNet exhibits strong generalization ability and effectively suppresses noise while restoring illumination. The framework comprises a decomposition module and a denoising module. The former separates the image into illumination and reflection components via a dense connection network, while the latter enhances non-uniformly illuminated regions using an illumination-guided pixel adaptive correction method. A noise pair is generated through downsampling and refined iteratively to produce the final result. Extensive experiments on four public datasets demonstrate that IGDNet significantly improves visual quality under complex lighting conditions. Quantitative results on metrics like PSNR (20.41dB) and SSIM (0.860dB) show that it outperforms 14 state-of-the-art unsupervised methods. The code will be released soon.
• Abstract（参考訳）: 未露出画像の復元の現在の方法は、通常、ペアの未露出画像と十分に照らされた画像による教師あり学習に依存している。 しかし、そのようなデータセットの収集は現実のシナリオでは現実的ではないことが多い。 さらに、これらの手法は過強度化を招き、よく照らされた領域を歪ませる。 これらの問題に対処するために,先行データやトレーニングデータを案内することなく,単一のテストイメージのみで動作するゼロショット拡張手法IGDNetを提案する。 IGDNetは強力な一般化能力を示し、照明を回復しながらノイズを効果的に抑制する。 分解モジュールと復調モジュールとを備える。 前者は、高密度接続ネットワークを介して、画像を照明および反射成分に分離し、後者は、照明誘導画素適応補正法を用いて、一様でない照明領域を強化する。 ノイズペアは、ダウンサンプリングによって生成され、最終結果を生成するために反復的に精製される。 4つの公開データセットに対する大規模な実験により、IGDNetは複雑な照明条件下で視覚的品質を著しく改善することが示された。 PSNR (20.41dB) やSSIM (0.860dB) のようなメトリクスの定量的結果は、14の最先端の教師なし手法よりも優れていることを示している。 コードはまもなくリリースされる。

関連論文リスト

• Retinex-RAWMamba: Bridging Demosaicing and Denoising for Low-Light RAW Image Enhancement [71.13353154514418]
  低照度画像の強化、特に生ドメインからsRGBドメインへのマッピングのようなクロスドメインタスクは、依然として大きな課題である。 RAWMambaと呼ばれる新しいMambaスキャニング機構を提案する。 また,Retinex の先行したRetinex Decomposition Module (RDM) も提案する。
  論文  参考訳（メタデータ） (2024-09-11T06:12:03Z)
• Zero-Shot Enhancement of Low-Light Image Based on Retinex Decomposition [4.175396687130961]
  本稿ではZERRINNetと呼ばれるゼロショット低照度化手法の学習に基づくRetinex分解を提案する。 本手法は,ペアとアンペアのデータセットのトレーニングデータの影響を受けないゼロ参照拡張手法である。
  論文  参考訳（メタデータ） (2023-11-06T09:57:48Z)
• KinD-LCE Curve Estimation And Retinex Fusion On Low-Light Image [7.280719886684936]
  本稿では,低照度化のためのアルゴリズムを提案する。 KinD-LCEは、Retinex分解画像の照明マップを強化するために光曲線推定モジュールを使用する。 照明マップと反射マップ融合モジュールも提案され、画像の詳細を復元し、詳細損失を低減した。
  論文  参考訳（メタデータ） (2022-07-19T11:49:21Z)
• Enhancing Low-Light Images in Real World via Cross-Image Disentanglement [58.754943762945864]
  そこで本研究では,現実の汚職とミスアライメントされたトレーニング画像からなる,新しい低照度画像強調データセットを提案する。 本モデルでは,新たに提案したデータセットと,他の一般的な低照度データセットの両方に対して,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-01-10T03:12:52Z)
• Unsupervised Low-Light Image Enhancement via Histogram Equalization Prior [40.61944814314655]
  HEP (Equalization prior) と呼ばれる実効的事前ヒストグラムに基づく教師なし低照度画像強調手法を提案する。 反射率マップのノイズと内容を、未確認クリーンな画像の信頼性のある助けを借りてアンタングルするノイズ・ディアンタングメント・モジュール(NDM)を導入する。 本手法は、最先端の教師なし低照度化アルゴリズムに対して好適に動作し、最先端の教師付きアルゴリズムに適合する。
  論文  参考訳（メタデータ） (2021-12-03T07:51:08Z)
• 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)
• Learning an Adaptive Model for Extreme Low-light Raw Image Processing [5.706764509663774]
  画質向上のための適応型低照度生画像強調ネットワークを提案する。 提案手法は、最先端の低照度アルゴリズムと比較してノイズレベル推定(NLE)のスコアが低い。 ビデオ処理における潜在的な応用について概説する。
  論文  参考訳（メタデータ） (2020-04-22T09:01:07Z)

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。