論文の概要: Towards Perfection: Building Inter-component Mutual Correction for Retinex-based Low-light Image Enhancement

• arxiv url: http://arxiv.org/abs/2508.09009v1
• Date: Tue, 12 Aug 2025 15:20:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 21:07:34.477486
• Title: Towards Perfection: Building Inter-component Mutual Correction for Retinex-based Low-light Image Enhancement
• Title（参考訳）: 完全化に向けて:網膜を用いた低照度画像強調のためのコンポーネント間相互補正の構築
• Authors: Luyang Cao, Han Xu, Jian Zhang, Lei Qi, Jiayi Ma, Yinghuan Shi, Yang Gao,
• Abstract要約: 低照度画像強調では、レチネックスをベースとした深層学習法は、その例外的な解釈可能性により、大きな注目を集めている。 照明と反射成分の完全な分解を達成することは、非常に困難であることが証明されている。 本稿では,これらの残基をICR (Inter-component residuals) として公式に命名する。 本稿では,ICRの分解・拡張過程を緩和する新しい相関関係モデル(Iretinex)を提案する。
• 参考スコア（独自算出の注目度）: 46.599700313630024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In low-light image enhancement, Retinex-based deep learning methods have garnered significant attention due to their exceptional interpretability. These methods decompose images into mutually independent illumination and reflectance components, allows each component to be enhanced separately. In fact, achieving perfect decomposition of illumination and reflectance components proves to be quite challenging, with some residuals still existing after decomposition. In this paper, we formally name these residuals as inter-component residuals (ICR), which has been largely underestimated by previous methods. In our investigation, ICR not only affects the accuracy of the decomposition but also causes enhanced components to deviate from the ideal outcome, ultimately reducing the final synthesized image quality. To address this issue, we propose a novel Inter-correction Retinex model (IRetinex) to alleviate ICR during the decomposition and enhancement stage. In the decomposition stage, we leverage inter-component residual reduction module to reduce the feature similarity between illumination and reflectance components. In the enhancement stage, we utilize the feature similarity between the two components to detect and mitigate the impact of ICR within each enhancement unit. Extensive experiments on three low-light benchmark datasets demonstrated that by reducing ICR, our method outperforms state-of-the-art approaches both qualitatively and quantitatively.
• Abstract（参考訳）: 低照度画像強調では、レチネックスをベースとした深層学習法が、例外的な解釈可能性のために注目されている。 これらの方法は、画像を互いに独立した照明と反射成分に分解し、各成分を別々に拡張することができる。 実際、照明成分と反射率成分の完全な分解を達成することは極めて困難であることが証明され、いくつかの残基は分解後にまだ存在する。 本稿では,これらの残基をICR (Inter-component residuals) として公式に命名する。 本研究では, ICRは分解の精度に影響を及ぼすだけでなく, 改良された成分を理想的な結果から逸脱させ, 最終的な合成画像の品質を低下させる。 そこで本研究では,ICRの分解・拡張過程を緩和する新しい相関関係モデル(IRetinex)を提案する。 分解段階では,素子間残留低減モジュールを利用して照明成分と反射率成分の特徴的類似性を低減させる。 エンハンスメントの段階では、各エンハンスメントユニット内のICCの影響を検知・緩和するために、2つのコンポーネント間の特徴類似性を利用する。 3つの低照度ベンチマークデータセットに対する大規模な実験により、ICRの低減により、我々の手法は定性的かつ定量的に最先端のアプローチより優れていることが示された。

関連論文リスト

• RetinexDual: Retinex-based Dual Nature Approach for Generalized Ultra-High-Definition Image Restoration [5.075864600930347]
  RetinexDualは、一般化された超高精細画像復元(UHD IR)タスクのために設計された、Retinex理論に基づく新しいフレームワークである。 我々は、4つのUHD IRタスク、すなわちデラニング、デブロアリング、デハージング、低照度画像強調(LLIE)についてRetinexDualを評価する。
  論文  参考訳（メタデータ） (2025-08-06T18:15:05Z)
• Efficient Diffusion as Low Light Enhancer [63.789138528062225]
  RATR(Reflectance-Aware Trajectory Refinement)は、イメージの反射成分を用いて教師の軌跡を洗練するための、シンプルで効果的なモジュールである。 textbfReDDiT (textbfDistilled textbfTrajectory) は低照度画像強調(LLIE)に適した効率的で柔軟な蒸留フレームワークである。
  論文  参考訳（メタデータ） (2024-10-16T08:07:18Z)
• 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)
• Relationship Quantification of Image Degradations [72.98190570967937]
  劣化関係指数(DRI)は,2モデル間の検証損失の平均ドロップレート差として定義される。 DRIは常に、特定の劣化を列車モデルの補助として利用することで、性能改善を予測します。 得られた劣化組合せがアンカー劣化性能を向上させることができるかどうかを簡易かつ効果的に推定する手法を提案する。
  論文  参考訳（メタデータ） (2022-12-08T09:05:19Z)
• Bridging Component Learning with Degradation Modelling for Blind Image Super-Resolution [69.11604249813304]
  視覚障害者のためのコンポーネント分解・協調最適化ネットワーク(CDCN)を提案する。 CDCNは入力LR画像を特徴空間の構造と詳細成分に分解する。 本稿では,HR画像の細部と構造復元過程を協調的に監督する,劣化駆動型学習戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-03T14:53:56Z)

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。