論文の概要: HistRetinex: Optimizing Retinex model in Histogram Domain for Efficient Low-Light Image Enhancement
- arxiv url: http://arxiv.org/abs/2510.21100v1
- Date: Fri, 24 Oct 2025 02:24:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-28 09:00:15.361261
- Title: HistRetinex: Optimizing Retinex model in Histogram Domain for Efficient Low-Light Image Enhancement
- Title（参考訳）: HistRetinex: 効率的な低照度画像強調のためのヒストグラム領域におけるレチネックスモデル最適化
- Authors: Jingtian Zhao, Xueli Xie, Jianxiang Xi, Xiaogang Yang, Haoxuan Sun,
- Abstract要約: HistRetinexは、高速低照度画像強調のためのヒストグラムベースのRetinexモデルである。
HistRetinexは、可視性とパフォーマンスの指標の両方において、既存の拡張メソッドよりも優れていることを示す実験結果が得られた。
- 参考スコア（独自算出の注目度）: 1.3631461603291568
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Retinex-based low-light image enhancement methods are widely used due to their excellent performance. However, most of them are time-consuming for large-sized images. This paper extends the Retinex model from the spatial domain to the histogram domain, and proposes a novel histogram-based Retinex model for fast low-light image enhancement, named HistRetinex. Firstly, we define the histogram location matrix and the histogram count matrix, which establish the relationship among histograms of the illumination, reflectance and the low-light image. Secondly, based on the prior information and the histogram-based Retinex model, we construct a novel two-level optimization model. Through solving the optimization model, we give the iterative formulas of the illumination histogram and the reflectance histogram, respectively. Finally, we enhance the low-light image through matching its histogram with the one provided by HistRetinex. Experimental results demonstrate that the HistRetinex outperforms existing enhancement methods in both visibility and performance metrics, while executing 1.86 seconds on 1000*664 resolution images, achieving a minimum time saving of 6.67 seconds.
- Abstract（参考訳）: 網膜をベースとした低照度画像強調法は、その優れた性能のために広く用いられている。
しかし、そのほとんどは大規模な画像に時間を要する。
本稿では空間領域からヒストグラム領域へRetinexモデルを拡張し,HistRetinexと呼ばれる高速低光画像強調のための新しいヒストグラムベースRetinexモデルを提案する。
まず, ヒストグラム位置行列とヒストグラムカウント行列を定義し, 照明, 反射率, 低照度画像のヒストグラム間の関係を確立する。
次に,先行情報とヒストグラムに基づくRetinexモデルに基づいて,新しい2段階最適化モデルを構築する。
最適化モデルを解くことにより,照明ヒストグラムと反射ヒストグラムの反復公式をそれぞれ与える。
最後に,HistRetinexが提供する画像と,そのヒストグラムをマッチングすることにより,低照度画像を強化する。
HistRetinexは、1000*664の解像度画像上で1.86秒を実行し、6.67秒の最小節約を実現しながら、可視性と性能の両面で既存の拡張手法よりも優れていることを示す実験結果が得られた。
関連論文リスト
- Vision Foundation Models as Effective Visual Tokenizers for Autoregressive Image Generation [66.73899356886652]
我々は、事前訓練された視覚基盤モデルの上に画像トークン化器を直接構築する。
提案する画像トークンーであるVFMTokは、画像再構成と生成品質を大幅に改善する。
ImageNetベンチマークで2.07のgFIDを達成することで、自動回帰(AR)生成をさらに強化する。
論文 参考訳（メタデータ） (2025-07-11T09:32:45Z) - RSEND: Retinex-based Squeeze and Excitation Network with Dark Region Detection for Efficient Low Light Image Enhancement [1.7356500114422735]
より正確で簡潔で一段階のRetinex理論に基づくフレームワークRSENDを提案する。
RSENDはまず、低照度画像を照明マップと反射マップに分割し、照明マップの重要な詳細をキャプチャして光強調を行う。
我々の効率の良いRetinexモデルは、他のCNNベースモデルよりも大幅に優れており、異なるデータセットで0.44dBから4.2dBまでのPSNRの改善を実現している。
論文 参考訳（メタデータ） (2024-06-14T01:36:52Z) - DI-Retinex: Digital-Imaging Retinex Theory for Low-Light Image Enhancement [73.57965762285075]
本稿では,デジタル画像におけるRetinex理論の理論的および実験的解析を通じて,Digital-Imaging Retinex theory(DI-Retinex)という新しい表現を提案する。
提案手法は, 視覚的品質, モデルサイズ, 速度の観点から, 既存の教師なし手法よりも優れていた。
論文 参考訳（メタデータ） (2024-04-04T09:53:00Z) - Edge-guided Low-light Image Enhancement with Inertial Bregman Alternating Linearized Minimization [18.983012401131813]
低照度画像強調のための先行手法は、ディム画像から利用可能な事前情報を抽出する際の課題に直面することが多い。
本稿では,従来提案されていたエッジ抽出を用いた簡易かつ効果的なRetinexモデルを提案する。
このアルゴリズムはエッジ誘導レチネックスモデルに関連する最適化問題に対処し、低照度画像の効果的強化を可能にする。
論文 参考訳（メタデータ） (2024-03-02T09:00:57Z) - Simultaneous Image-to-Zero and Zero-to-Noise: Diffusion Models with Analytical Image Attenuation [53.04220377034574]
高品質(未条件)な画像生成のための前方拡散プロセスに解析的画像減衰プロセスを導入することを提案する。
本手法は,フォワード画像からノイズへのマッピングを,テクスチメジからゼロへのマッピングとテクスティケロ・ツー・ノイズマッピングの同時マッピングとして表現する。
我々は,CIFAR-10やCelebA-HQ-256などの無条件画像生成や,超解像,サリエンシ検出,エッジ検出,画像インペインティングなどの画像条件下での下流処理について実験を行った。
論文 参考訳（メタデータ） (2023-06-23T18:08:00Z) - Retinexformer: One-stage Retinex-based Transformer for Low-light Image
Enhancement [96.09255345336639]
低照度画像の高精細化のために,原理化された1段Retinex-based Framework (ORF) を定式化する。
ORFはまず照明情報を推定し、低照度画像を照らす。
我々のアルゴリズムであるRetinexformerは13のベンチマークで最先端の手法を大幅に上回っている。
論文 参考訳（メタデータ） (2023-03-12T16:54:08Z) - Retinex Image Enhancement Based on Sequential Decomposition With a
Plug-and-Play Framework [16.579397398441102]
画像強調とノイズ除去を同時に行うために,Retinex理論に基づくプラグイン・アンド・プレイ・フレームワークを設計する。
我々のフレームワークは、画像の強調とデノーミングの両面で最先端の手法に勝っている。
論文 参考訳（メタデータ） (2022-10-11T13:29:10Z)
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。