論文の概要: Robust Low-light Scene Restoration via Illumination Transition

• arxiv url: http://arxiv.org/abs/2507.03976v1
• Date: Sat, 05 Jul 2025 10:02:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.957936
• Title: Robust Low-light Scene Restoration via Illumination Transition
• Title（参考訳）: 照明遷移によるロバストな低照度シーン復元
• Authors: Ze Li, Feng Zhang, Xiatian Zhu, Meng Zhang, Yanghong Zhou, P. Y. Mok,
• Abstract要約: 既存の低照度拡張法は、このような低照度入力を効果的に前処理するのに苦労することが多い。 我々はロバスト低照度シーン復元フレームワーク(RoSe)を提案する。 実験により、RoSeはレンダリング品質とマルチビュー整合性の両方において最先端モデルを大幅に上回っていることが示された。
• 参考スコア（独自算出の注目度）: 40.41013083877581
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthesizing normal-light novel views from low-light multiview images is an important yet challenging task, given the low visibility and high ISO noise present in the input images. Existing low-light enhancement methods often struggle to effectively preprocess such low-light inputs, as they fail to consider correlations among multiple views. Although other state-of-the-art methods have introduced illumination-related components offering alternative solutions to the problem, they often result in drawbacks such as color distortions and artifacts, and they provide limited denoising effectiveness. In this paper, we propose a novel Robust Low-light Scene Restoration framework (RoSe), which enables effective synthesis of novel views in normal lighting conditions from low-light multiview image inputs, by formulating the task as an illuminance transition estimation problem in 3D space, conceptualizing it as a specialized rendering task. This multiview-consistent illuminance transition field establishes a robust connection between low-light and normal-light conditions. By further exploiting the inherent low-rank property of illumination to constrain the transition representation, we achieve more effective denoising without complex 2D techniques or explicit noise modeling. To implement RoSe, we design a concise dual-branch architecture and introduce a low-rank denoising module. Experiments demonstrate that RoSe significantly outperforms state-of-the-art models in both rendering quality and multiview consistency on standard benchmarks. The codes and data are available at https://pegasus2004.github.io/RoSe.
• Abstract（参考訳）: 低照度マルチビュー画像からのノーマルライトノベルビューの合成は、入力画像に低視認性と高ISOノイズが存在することを考えると、重要な課題である。 既存の低照度拡張手法は、複数のビュー間の相関を考慮できないため、このような低照度入力を効果的に前処理するのに苦労することが多い。 他の最先端の手法では、照明関連コンポーネントがこの問題の代替ソリューションとして導入されているが、色歪みやアーティファクトなどの欠点を生じることが多く、演能効果は限られている。 本稿では、3次元空間における照度遷移推定問題としてタスクを定式化し、特殊レンダリングタスクとして概念化し、低照度マルチビュー画像入力から通常の照明条件における新しいビューを効果的に合成できるロバスト低照度シーン復元フレームワーク(RoSe)を提案する。 この多視点一貫性の照度遷移場は、低照度条件と常照度条件の間の堅牢な接続を確立する。 さらに、照明の固有の低ランク特性を利用して遷移表現を制約することにより、複雑な2D技術や明示的なノイズモデリングを使わずに、より効果的な復調を実現する。 RoSeを実装するために、簡潔なデュアルブランチアーキテクチャを設計し、低ランクデノナイジングモジュールを導入する。 実験により、RoSeは標準ベンチマークにおけるレンダリング品質とマルチビュー整合性の両方において、最先端モデルよりも大幅に優れていることが示された。 コードとデータはhttps://pegasus2004.github.io/RoSeで公開されている。

関連論文リスト

• DLEN: Dual Branch of Transformer for Low-Light Image Enhancement in Dual Domains [0.0]
  低照度画像強調(LLE)は、低照度条件下で撮影された画像の視覚的品質を改善することを目的としている。 これらの問題は、物体検出、顔認識、自律運転などのコンピュータビジョンタスクのパフォーマンスを妨げる。 本稿では,2つの異なる注意機構を組み込んだ新しいアーキテクチャであるDual Light Enhance Network(DLEN)を提案する。
  論文  参考訳（メタデータ） (2025-01-21T15:58:16Z)
• 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)
• 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)
• 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)
• Contextual colorization and denoising for low-light ultra high resolution sequences [0.0]
  低光度画像のシーケンスは、通常、非一貫性のノイズ、フリック、オブジェクトや動くオブジェクトのぼやけに苦しむ。 我々はこれらの問題に,同時着色と着色を同時に行う未経験学習手法で対処する。 提案手法は,主観的品質の観点から既存手法よりも優れており,輝度レベルや雑音の変動に頑健であることを示す。
  論文  参考訳（メタデータ） (2021-01-05T15:35:29Z)
• 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。