論文の概要: Physics-Guided Rectified Flow for Low-light RAW Image Enhancement
- arxiv url: http://arxiv.org/abs/2509.08330v1
- Date: Wed, 10 Sep 2025 07:08:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-11 15:16:52.333499
- Title: Physics-Guided Rectified Flow for Low-light RAW Image Enhancement
- Title（参考訳）: 低照度RAW画像強調のための物理誘導整流流
- Authors: Juntai Zeng,
- Abstract要約: 低照度条件下で撮影されたRAW画像の強調は難しい作業である。
近年の深層学習に基づくRAW強化手法は, 実際のペアデータから, 合成データセットへの依存へと移行している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Enhancing RAW images captured under low light conditions is a challenging task. Recent deep learning based RAW enhancement methods have shifted from using real paired data to relying on synthetic datasets. These synthetic datasets are typically generated by physically modeling sensor noise, but existing approaches often consider only additive noise, ignore multiplicative components, and rely on global calibration that overlooks pixel level manufacturing variations. As a result, such methods struggle to accurately reproduce real sensor noise. To address these limitations, this paper derives a noise model from the physical noise generation mechanisms that occur under low illumination and proposes a novel composite model that integrates both additive and multiplicative noise. To solve the model, we introduce a physics based per pixel noise simulation and calibration scheme that estimates and synthesizes noise for each individual pixel, thereby overcoming the restrictions of traditional global calibration and capturing spatial noise variations induced by microscopic CMOS manufacturing differences. Motivated by the strong performance of rectified flow methods in image generation and processing, we further combine the physics-based noise synthesis with a rectified flow generative framework and present PGRF a physics-guided rectified flow framework for low light image enhancement. PGRF leverages the ability of rectified flows to model complex data distributions and uses physical guidance to steer the generation toward the desired clean image. To validate the effectiveness of the proposed model, we established the LLID dataset, an indoor low light benchmark captured with the Sony A7S II camera. Experimental results demonstrate that the proposed framework achieves significant improvements in low light RAW image enhancement.
- Abstract（参考訳）: 低照度条件下で撮影されたRAW画像の強調は難しい作業である。
近年の深層学習に基づくRAW強化手法は, 実際のペアデータから, 合成データセットへの依存へと移行している。
これらの合成データセットは、通常、物理的にセンサノイズをモデル化することによって生成されるが、既存のアプローチでは、加算ノイズのみを考慮し、乗法成分を無視し、画素レベルの製造バリエーションを無視するグローバルキャリブレーションに依存していることが多い。
その結果、実際のセンサノイズを正確に再現することは困難である。
これらの制約に対処するために、低照度下で発生する物理ノイズ発生機構からノイズモデルを導出し、加法ノイズと乗法ノイズの両方を統合する新しい合成モデルを提案する。
そこで本モデルでは,各画素毎のノイズを推定・合成する物理シミュレーションとキャリブレーション方式を導入し,従来の大域的なキャリブレーションの制約を克服し,顕微鏡CMOS製造の違いによる空間ノイズの変動を捉える。
画像生成・処理における整流流法の強い性能により,物理に基づくノイズ合成と整流流生成の枠組みを融合させ,低光像強調のための物理誘導整流の枠組みとしてPGRFを提案する。
PGRFは、複雑なデータ分布をモデル化するために修正フローの能力を活用し、物理的ガイダンスを使用して、所望のクリーンイメージに向けて生成を操る。
提案モデルの有効性を検証するため,ソニーのA7S IIカメラで捉えた室内低照度ベンチマークLLIDデータセットを構築した。
実験の結果,提案手法は低照度RAW画像強調の大幅な改善を実現していることがわかった。
関連論文リスト
- Enhanced Confocal Laser Scanning Microscopy with Adaptive Physics Informed Deep Autoencoders [0.0]
共焦点レーザー走査顕微鏡の限界に対処する物理インフォームド・ディープラーニング・フレームワークを提案する。
このモデルは、畳み込み層と転置畳み込み層を用いて、ノイズの多い入力から高忠実度画像を再構成する。
論文 参考訳（メタデータ） (2025-01-24T18:32:34Z) - Novel Hybrid Integrated Pix2Pix and WGAN Model with Gradient Penalty for Binary Images Denoising [1.8434042562191815]
本稿では,GAN(Generative Adversarial Networks)の利点を活用した画像復号化手法を提案する。
Pix2PixモデルとWasserstein GAN(WGAN)とGradient Penalty(WGAN-GP)の要素を組み合わせたモデルを提案する。
論文 参考訳（メタデータ） (2024-07-16T15:50:45Z) - NM-FlowGAN: Modeling sRGB Noise without Paired Images using a Hybrid Approach of Normalizing Flows and GAN [9.81778202920426]
NM-FlowGANは、GANと正規化フローの両方の長所を利用するハイブリッドアプローチである。
本手法は, カメラタイプやISO設定などの手軽に取得可能なパラメータなど, クリーンな画像とノイズ特性に影響を与える要因を用いてノイズを合成する。
我々のNM-FlowGANは、sRGBノイズ合成タスクにおいて、他のベースラインよりも優れています。
論文 参考訳（メタデータ） (2023-12-15T09:09:25Z) - Make Explicit Calibration Implicit: Calibrate Denoiser Instead of the
Noise Model [83.9497193551511]
デジタルゲインやカメラセンサーによらず有効であるLED(Lighting Every Darkness)を導入する。
LEDは明示的なノイズモデルのキャリブレーションの必要性を排除し、高速な展開と最小限のデータを必要とする暗黙の微調整プロセスを活用する。
LEDは、センサー工学の利点を生かしながら、ディープラーニングの進歩にもっと注力することを可能にする。
論文 参考訳（メタデータ） (2023-08-07T10:09:11Z) - Towards General Low-Light Raw Noise Synthesis and Modeling [37.87312467017369]
生成モデルにより信号非依存ノイズを合成する新しい視点を導入する。
具体的には、信号に依存しないノイズと信号に依存しないノイズを物理と学習に基づく方法で合成する。
このようにして、本手法は一般的なモデルとみなすことができ、つまり、異なるISOレベルの異なるノイズ特性を同時に学習することができる。
論文 参考訳（メタデータ） (2023-07-31T09:10:10Z) - 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) - SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。
本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。
提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
論文 参考訳（メタデータ） (2022-06-09T14:00:26Z) - Rethinking Noise Synthesis and Modeling in Raw Denoising [75.55136662685341]
センサの実際の雑音を直接サンプリングすることで、ノイズを合成する新しい視点を導入する。
それは本質的に、異なるカメラセンサーに対して正確な生画像ノイズを発生させる。
論文 参考訳（メタデータ） (2021-10-10T10:45:24Z) - 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) - Designing a Practical Degradation Model for Deep Blind Image
Super-Resolution [134.9023380383406]
単一画像スーパーレゾリューション (sisr) 法は, 推定劣化モデルが実画像から逸脱した場合はうまく動作しない。
本稿では, ランダムにシャッフルされたブラー, ダウンサンプリング, ノイズ劣化からなる, より複雑で実用的な劣化モデルを提案する。
論文 参考訳（メタデータ） (2021-03-25T17:40:53Z) - A Physics-based Noise Formation Model for Extreme Low-light Raw
Denoising [34.98772175073111]
CMOS光センサの特性に基づく高精度なノイズ生成モデルを提案する。
また,現代のデジタルカメラにおけるノイズパラメータの校正手法を提案する。
論文 参考訳（メタデータ） (2020-03-28T09:16:48Z)
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。