論文の概要: LoopExpose: An Unsupervised Framework for Arbitrary-Length Exposure Correction
- arxiv url: http://arxiv.org/abs/2511.06066v1
- Date: Sat, 08 Nov 2025 16:36:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-11 21:18:44.736728
- Title: LoopExpose: An Unsupervised Framework for Arbitrary-Length Exposure Correction
- Title（参考訳）: LoopExpose: 任意長露光補正のための教師なしフレームワーク
- Authors: Ao Li, Chen Chen, Zhenyu Wang, Tao Huang, Fangfang Wu, Weisheng Dong,
- Abstract要約: 任意の長さの露光補正を行うために,LoopExposeと呼ばれる擬似ラベルに基づく教師なし手法を提案する。
露光補正問題に対処するため,ネストループ最適化手法を提案する。
異なるベンチマークデータセットの実験により、LoopExposeはより優れた露光補正と融合性能を達成することが示された。
- 参考スコア（独自算出の注目度）: 43.00059667275665
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Exposure correction is essential for enhancing image quality under challenging lighting conditions. While supervised learning has achieved significant progress in this area, it relies heavily on large-scale labeled datasets, which are difficult to obtain in practical scenarios. To address this limitation, we propose a pseudo label-based unsupervised method called LoopExpose for arbitrary-length exposure correction. A nested loop optimization strategy is proposed to address the exposure correction problem, where the correction model and pseudo-supervised information are jointly optimized in a two-level framework. Specifically, the upper-level trains a correction model using pseudo-labels generated through multi-exposure fusion at the lower level. A feedback mechanism is introduced where corrected images are fed back into the fusion process to refine the pseudo-labels, creating a self-reinforcing learning loop. Considering the dominant role of luminance calibration in exposure correction, a Luminance Ranking Loss is introduced to leverage the relative luminance ordering across the input sequence as a self-supervised constraint. Extensive experiments on different benchmark datasets demonstrate that LoopExpose achieves superior exposure correction and fusion performance, outperforming existing state-of-the-art unsupervised methods. Code is available at https://github.com/FALALAS/LoopExpose.
- Abstract（参考訳）: 露光補正は、困難な照明条件下での画質向上に不可欠である。
教師付き学習はこの分野で大きな進歩を遂げているが、実践的なシナリオでは入手が困難である大規模ラベル付きデータセットに大きく依存している。
この制限に対処するために、任意の長さの露光補正のためのLoopExposeと呼ばれる擬似ラベルベースの教師なし手法を提案する。
2段階のフレームワークで修正モデルと疑似教師付き情報を協調的に最適化する、露光補正問題に対処するネストループ最適化手法を提案する。
具体的には、上層階は、下層階でのマルチ露光融合によって生成された擬似ラベルを用いた補正モデルを訓練する。
フィードバック機構を導入し、修正された画像を融合プロセスにフィードバックして擬似ラベルを洗練させ、自己強化学習ループを作成する。
被曝補正における輝度校正の主役を考慮し、自己監督制約として入力シーケンスを横断する相対輝度順序を利用するために輝度ランク付け損失を導入する。
異なる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、LoopExposeはより優れた露光補正と融合性能を達成し、既存の最先端の教師なし手法より優れていることが示された。
コードはhttps://github.com/FALALAS/LoopExpose.comで入手できる。
関連論文リスト
- WEC-DG: Multi-Exposure Wavelet Correction Method Guided by Degradation Description [7.873244458995218]
多重露光補正技術は、照明不足や過度な照明の影響を受ける画像の復元に不可欠である。
現在のマルチ露光補正法は、様々な照明条件によるクラス内変動に対処する際の課題となることが多い。
本稿では,分解誘導(WEC-DG)を用いたウェーブレットを用いた露光補正手法を提案する。
論文 参考訳（メタデータ） (2025-08-13T07:31:44Z) - Degradation-Consistent Learning via Bidirectional Diffusion for Low-Light Image Enhancement [15.619960776528362]
低照度画像強調は、劣化した画像の視認性を改善し、人間の視覚的知覚とよりよく一致させることを目的としている。
本稿では,低照度画像と通常照度画像の両方の劣化過程を共同でモデル化する双方向拡散最適化機構を提案する。
本手法は,定量評価と定性評価の両方において最先端の手法より優れている。
論文 参考訳（メタデータ） (2025-07-24T07:21:23Z) - Unsupervised Exposure Correction [32.76710029538801]
本稿では,手動アノテーションの必要性を解消する,革新的なUnsupervised Exposure Correction(UEC)手法を提案する。
我々のモデルは、エミュレートされた画像信号処理(ISP)パイプラインから利用可能なペアデータを用いて訓練されている。
我々は、画像の詳細を保存し、最先端の教師付き手法より優れた変換関数を開発する。
論文 参考訳（メタデータ） (2025-07-23T06:46:22Z) - IGDNet: Zero-Shot Robust Underexposed Image Enhancement via Illumination-Guided and Denoising [29.532018926948393]
本稿では,単一のテスト画像のみで動作するZero-Shot拡張手法IGDNetを提案する。
IGDNetは強力な一般化能力を示し、照明を回復しながらノイズを効果的に抑制する。
複雑な照明条件下では視覚的品質が著しく向上する。
論文 参考訳（メタデータ） (2025-07-03T09:01:57Z) - Fearless Luminance Adaptation: A Macro-Micro-Hierarchical Transformer
for Exposure Correction [65.5397271106534]
単一のニューラルネットワークは、すべての露光問題に対処することが難しい。
特に、コンボリューションは、極端に過度に露出した領域における忠実な色や詳細を復元する能力を妨げる。
本稿では,マクロマイクロ階層変換器を提案する。マクロマイクロ階層変換器は,長距離依存を捉えるマクロアテンション,局所特徴を抽出するマイクロアテンション,粗大な修正のための階層構造を提案する。
論文 参考訳（メタデータ） (2023-09-02T09:07:36Z) - Low-Light Image Enhancement with Illumination-Aware Gamma Correction and
Complete Image Modelling Network [69.96295927854042]
低照度環境は通常、情報の少ない大規模な暗黒地帯に繋がる。
本稿では,ガンマ補正の有効性を深層ネットワークのモデリング能力と統合することを提案する。
指数関数演算は高い計算複雑性をもたらすので、Taylor Series を用いてガンマ補正を近似することを提案する。
論文 参考訳（メタデータ） (2023-08-16T08:46:51Z) - CuDi: Curve Distillation for Efficient and Controllable Exposure
Adjustment [86.97592472794724]
そこで我々は, 対や不対のデータを必要とせず, 効率よくかつ制御可能な露光調整のためのCuDi曲線蒸留法を提案する。
提案手法は,ゼロ参照学習と曲線ベースのフレームワークを,実効的な低照度画像強調手法であるゼロDCEから継承する。
提案手法は, 高速で頑健でフレキシブルな性能に優れ, 実シーンにおける最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-07-28T17:53:46Z) - 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。