論文の概要: IllumFlow: Illumination-Adaptive Low-Light Enhancement via Conditional Rectified Flow and Retinex Decomposition
- arxiv url: http://arxiv.org/abs/2511.02411v1
- Date: Tue, 04 Nov 2025 09:41:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-05 18:47:05.877613
- Title: IllumFlow: Illumination-Adaptive Low-Light Enhancement via Conditional Rectified Flow and Retinex Decomposition
- Title（参考訳）: イルムフロー: 条件整流とレチネックス分解による照度適応型低照度化
- Authors: Wenyang Wei, Yang yang, Xixi Jia, Xiangchu Feng, Weiwei Wang, Renzhen Wang,
- Abstract要約: 我々は,Low-light Image enhancement(LLIE)のためのRetinex理論と条件整流(CRF)を相乗化する新しいフレームワークIllumFlowを提案する。
本モデルは照明部品と反射率部品の分離最適化による低照度化に対処する。
- 参考スコア（独自算出の注目度）: 13.799386960368793
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present IllumFlow, a novel framework that synergizes conditional Rectified Flow (CRF) with Retinex theory for low-light image enhancement (LLIE). Our model addresses low-light enhancement through separate optimization of illumination and reflectance components, effectively handling both lighting variations and noise. Specifically, we first decompose an input image into reflectance and illumination components following Retinex theory. To model the wide dynamic range of illumination variations in low-light images, we propose a conditional rectified flow framework that represents illumination changes as a continuous flow field. While complex noise primarily resides in the reflectance component, we introduce a denoising network, enhanced by flow-derived data augmentation, to remove reflectance noise and chromatic aberration while preserving color fidelity. IllumFlow enables precise illumination adaptation across lighting conditions while naturally supporting customizable brightness enhancement. Extensive experiments on low-light enhancement and exposure correction demonstrate superior quantitative and qualitative performance over existing methods.
- Abstract（参考訳）: 我々は,Low-light Image enhancement(LLIE)のためのRetinex理論と条件付きRectified Flow(CRF)を相乗化する新しいフレームワークであるIllumFlowを提案する。
本モデルでは、照明成分と反射成分の分離最適化による低照度化に対処し、照明変動と雑音の両方を効果的に処理する。
具体的には、まず入力画像をRetinex理論に従って反射率と照明成分に分解する。
低照度画像における広いダイナミックな照明変動をモデル化するために,照明変化を連続的な流れ場として表現する条件修正フローフレームワークを提案する。
複素ノイズは反射率成分に主に存在するが,色質を保ちながら反射音や色収差を除去するために,流れから得られるデータ拡張によって強化されたデノナイジングネットワークを導入する。
IllumFlowは、照明条件間で正確な照明適応を可能にすると同時に、自然にカスタマイズ可能な明るさ向上をサポートする。
低照度増強および露光補正に関する広範囲な実験は、既存の方法よりも優れた量的および質的性能を示す。
関連論文リスト
- LightQANet: Quantized and Adaptive Feature Learning for Low-Light Image Enhancement [65.06462316546806]
低照度画像強調は、高品質な色とテクスチャを維持しながら照明を改善することを目的としている。
既存の手法では、低照度条件下での画素レベルの情報劣化により、信頼性の高い特徴表現の抽出に失敗することが多い。
低照度向上のための量子化・適応型特徴学習を実現する新しいフレームワークLightQANetを提案する。
論文 参考訳（メタデータ） (2025-10-16T14:54:42Z) - SAIGFormer: A Spatially-Adaptive Illumination-Guided Network for Low-Light Image Enhancement [58.79901582809091]
近年, トランスフォーマーを用いた低照度化手法は, 世界照明の回復に有望な進展をもたらした。
近年, トランスフォーマーを用いた低照度化手法は, 世界照明の回復に有望な進展をもたらした。
正確な照明復元を可能にする空間適応照明誘導変圧器フレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-21T11:38:56Z) - Poisson Informed Retinex Network for Extreme Low-Light Image Enhancement [1.1754091731507195]
本稿では,Retinex に基づく分解と Poisson を統合型エンコーダデコーダネットワークに統合した軽量な深層学習手法を提案する。
低照度条件下での視認性と明度は, 環境光下での画像構造と色濃度を保ちながら著しく向上する。
論文 参考訳（メタデータ） (2025-06-04T21:40:01Z) - LUMINA-Net: Low-light Upgrade through Multi-stage Illumination and Noise Adaptation Network for Image Enhancement [26.585985828583304]
低照度画像強調(LLIE)は、低照度条件下で撮影された画像の視覚的忠実度を高めることを目的としたコンピュータビジョンにおける重要な課題である。
LUMINA-Netは,多段照明と反射モジュールを統合することで,低照度画像ペアから適応的な事前学習を行う,教師なしのディープラーニングフレームワークである。
論文 参考訳（メタデータ） (2025-02-21T03:37:58Z) - DifFRelight: Diffusion-Based Facial Performance Relighting [12.909429637057343]
拡散に基づく画像から画像への変換を用いた,自由視点顔の表情のリライティングのための新しいフレームワークを提案する。
我々は、正確な照明制御のための拡散モデルを訓練し、フラットライト入力からの顔画像の高忠実度化を可能にする。
このモデルは、目の反射、地表面散乱、自影、半透明といった複雑な照明効果を正確に再現する。
論文 参考訳（メタデータ） (2024-10-10T17:56:44Z) - 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) - 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) - 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。