論文の概要: Larger Hausdorff Dimension in Scanning Pattern Facilitates Mamba-Based Methods in Low-Light Image Enhancement

• arxiv url: http://arxiv.org/abs/2510.26001v2
• Date: Fri, 31 Oct 2025 01:41:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 15:46:17.849633
• Title: Larger Hausdorff Dimension in Scanning Pattern Facilitates Mamba-Based Methods in Low-Light Image Enhancement
• Title（参考訳）: 走査パターンにおけるより大きいハウスドルフ次元は、低照度画像強調におけるマンバ法をファシリテートする
• Authors: Xinhua Wang, Caibo Feng, Xiangjun Fu, Chunxiao Liu,
• Abstract要約: 我々は,新しいHilbert Selective Scan機構により,その走査パターンのハウスドルフ次元を増大させることにより,Mambaフレームワークの革新的拡張を提案する。 このメカニズムは機能領域をより効果的に探求し、複雑な細部の詳細をキャプチャし、全体的なカバレッジを改善する。 我々は、この洗練された戦略が、低照度画像強調における最先端の進歩をもたらすだけでなく、マンバベースの技術を利用する分野における幅広い応用を約束すると考えている。
• 参考スコア（独自算出の注目度）: 2.9138744171708115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose an innovative enhancement to the Mamba framework by increasing the Hausdorff dimension of its scanning pattern through a novel Hilbert Selective Scan mechanism. This mechanism explores the feature space more effectively, capturing intricate fine-scale details and improving overall coverage. As a result, it mitigates information inconsistencies while refining spatial locality to better capture subtle local interactions without sacrificing the model's ability to handle long-range dependencies. Extensive experiments on publicly available benchmarks demonstrate that our approach significantly improves both the quantitative metrics and qualitative visual fidelity of existing Mamba-based low-light image enhancement methods, all while reducing computational resource consumption and shortening inference time. We believe that this refined strategy not only advances the state-of-the-art in low-light image enhancement but also holds promise for broader applications in fields that leverage Mamba-based techniques.
• Abstract（参考訳）: 我々は,新しいHilbert Selective Scan機構により,その走査パターンのハウスドルフ次元を増大させることにより,Mambaフレームワークの革新的拡張を提案する。 このメカニズムは機能領域をより効果的に探求し、複雑な細部の詳細をキャプチャし、全体的なカバレッジを改善する。 その結果、空間的局所性を改善しながら情報の矛盾を軽減し、モデルが長距離依存を処理する能力を犠牲にすることなく、微妙な局所的相互作用をよりよく捉えることができる。 提案手法は,計算資源の消費削減と推論時間の短縮を図り,既存のマンバ型低照度画像強調手法の定量化と定性的視覚忠実度の両方を著しく改善することを示す。 我々は、この洗練された戦略が、低照度画像強調における最先端の進歩をもたらすだけでなく、マンバベースの技術を利用する分野における幅広い応用を約束すると考えている。

関連論文リスト

• EAMamba: Efficient All-Around Vision State Space Model for Image Restoration [11.190025966582041]
  本研究では,マルチヘッド選択走査モジュール(MHSSM)と全周走査機構を組み込んだ拡張フレームワークであるEfficient All-Around Mamba (EAMamba)を紹介する。 EAMambaは、既存の低レベルのVision Mamba法と比較して、FLOPの大幅な31～89%の削減を実現している。
  論文  参考訳（メタデータ） (2025-06-27T14:12:58Z)
• OSDMamba: Enhancing Oil Spill Detection from Remote Sensing Images Using Selective State Space Model [8.370356454348554]
  我々は,石油流出検出に特化して設計された最初のマンバ型アーキテクチャであるOSDMambaを提案する。 提案したOSDMambaは最先端のパフォーマンスを実現し、2つの公開データセットに対してOSDの8.9%と11.8%の改善を実現していることを示す。
  論文  参考訳（メタデータ） (2025-06-22T12:07:44Z)
• MambaStyle: Efficient StyleGAN Inversion for Real Image Editing with State-Space Models [60.110274007388135]
  MambaStyleは、GANインバージョンと編集のための効率的なシングルステージエンコーダベースのアプローチである。 MambaStyleは、逆精度、編集品質、計算効率のバランスが優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-06T20:03:47Z)
• ACMamba: Fast Unsupervised Anomaly Detection via An Asymmetrical Consensus State Space Model [51.83639270669481]
  ハイパースペクトル画像(HSI)における教師なし異常検出は、背景から未知のターゲットを検出することを目的としている。 HSI研究は、HSIの高次元特性と高密度サンプリングベーストレーニングパラダイムにより、計算コストの急激さによって妨げられている。 計算コストを大幅に削減する非対称コンセンサス状態空間モデル(ACMamba)を提案する。
  論文  参考訳（メタデータ） (2025-04-16T05:33:42Z)
• MambaIC: State Space Models for High-Performance Learned Image Compression [40.155314987485376]
  多数のフィールドをまたいだリアルタイム情報伝送には,高性能な画像圧縮アルゴリズムが不可欠である。 状態空間モデル(SSM)の長距離依存性の捕捉効果に着想を得て,SSMを利用して既存手法の計算不効率に対処する。 そこで本稿では,MambaICと呼ばれる洗練されたコンテキストモデリングによる画像圧縮手法を提案する。
  論文  参考訳（メタデータ） (2025-03-16T11:32:34Z)
• Detail Matters: Mamba-Inspired Joint Unfolding Network for Snapshot Spectral Compressive Imaging [40.80197280147993]
  本研究では,HSI再建の非線形および不適切な特徴を克服するために,マンバインスパイアされたジョイント・アンフォールディング・ネットワーク(MiJUN)を提案する。 本稿では,初期最適化段階への依存を減らすために,高速化された展開ネットワーク方式を提案する。 テンソルモード-$k$展開をMambaネットワークに統合することにより,Mambaによる走査戦略を洗練する。
  論文  参考訳（メタデータ） (2025-01-02T13:56:23Z)
• Multi-dimensional Visual Prompt Enhanced Image Restoration via Mamba-Transformer Aggregation [4.227991281224256]
  本稿では,計算効率を犠牲にすることなく,MambaとTransformerの相補的な利点を十分に活用することを提案する。 マンバの選択的走査機構は空間モデリングに焦点をあて、長距離空間依存のキャプチャを可能にする。 トランスフォーマーの自己保持機構は、画像の空間次元と二次的な成長の重荷を回避し、チャネルモデリングに焦点をあてる。
  論文  参考訳（メタデータ） (2024-12-20T12:36:34Z)
• Coherent and Multi-modality Image Inpainting via Latent Space Optimization [61.99406669027195]
  PILOT(intextbfPainting vtextbfIa textbfOptextbfTimization)は、新しいテキストセマンティック中央化とテキストセマンティック保存損失に基づく最適化手法である。 本手法は,背景とのコヒーレンスを維持しつつ,ユーザが提供するプロンプトに対して高い忠実度を示す塗装領域を生成できる潜時空間を探索する。
  論文  参考訳（メタデータ） (2024-07-10T19:58:04Z)
• LLEMamba: Low-Light Enhancement via Relighting-Guided Mamba with Deep Unfolding Network [9.987504237289832]
  深部展開ネットワーク(LLEMamba)を用いた照明誘導型マンバによる新しい低照度化手法を提案する。 我々のLLEMambaは、まず、深く展開するネットワークに乗算器の交互方向法(ADMM)に基づく反復最適化過程を組み込んだ、深い事前を持つRetinexモデルを構築した。 Transformerとは異なり、複数のイテレーションで深層展開フレームワークを支援するため、LLEMambaは計算複雑性の低い新しいMambaアーキテクチャを導入した。
  論文  参考訳（メタデータ） (2024-06-03T06:23:28Z)
• Local Magnification for Data and Feature Augmentation [53.04028225837681]
  LOMA(Local Magnification)と呼ばれる,実装が容易かつモデルフリーなデータ拡張手法を提案する。 LOMAは、画像の局所領域をランダムに拡大することにより、追加のトレーニングデータを生成する。 実験の結果,提案するLOMAと標準データ拡張を組み合わせることで,画像分類や物体検出の性能を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2022-11-15T02:51:59Z)

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。