論文の概要: Adaptive Guided Upsampling for Low-light Image Enhancement

• arxiv url: http://arxiv.org/abs/2511.16623v1
• Date: Thu, 02 Oct 2025 19:05:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.210184
• Title: Adaptive Guided Upsampling for Low-light Image Enhancement
• Title（参考訳）: 低照度画像強調のための適応的ガイドアップサンプリング
• Authors: Angela Vivian Dcosta, Chunbo Song, Rafael Radkowski,
• Abstract要約: 低照度画像を効率よくアップスケールするAdaptive Guided Upsampling (AGU)を導入する。 AGUは低画質の低解像度入力を使用して、高品質な画像をリアルタイムでレンダリングすることができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We introduce Adaptive Guided Upsampling (AGU), an efficient method for upscaling low-light images capable of optimizing multiple image quality characteristics at the same time, such as reducing noise and increasing sharpness. It is based on a guided image method, which transfers image characteristics from a guidance image to the target image. Using state-of-the-art guided methods, low-light images lack sufficient characteristics for this purpose due to their high noise level and low brightness, rendering suboptimal/not significantly improved images in the process. We solve this problem with multi-parameter optimization, learning the association between multiple low-light and bright image characteristics. Our proposed machine learning method learns these characteristics from a few sample images-pairs. AGU can render high-quality images in real time using low-quality, low-resolution input; our experiments demonstrate that it is superior to state-of-the-art methods in the addressed low-light use case.
• Abstract（参考訳）: 雑音の低減やシャープネスの増大など,複数の画質特性を同時に最適化できる,低照度画像の効率的なアップスケーリング手法であるAdaptive Guided Upsampling (AGU)を導入する。 誘導画像から対象画像へ画像特性を転送する誘導画像法に基づく。 最先端のガイド方式を用いることで、低照度画像は高ノイズレベルと低輝度のため、この目的のために十分な特性を欠いている。 マルチパラメータ最適化によりこの問題を解決し、複数の低照度特性と明るい画像特性の関係を学習する。 提案手法は,サンプル画像ペアからこれらの特徴を学習する。 AGUは、低画質で低解像度な入力を用いて、高画質の画像のリアルタイムレンダリングが可能であり、この実験により、アドレス付き低照度ユースケースにおける最先端の手法よりも優れていることを示す。

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)
• Leveraging Content and Context Cues for Low-Light Image Enhancement [25.97198463881292]
  低照度条件はマシン認知に悪影響を及ぼし、現実のコンピュータビジョンシステムの性能を制限する。 本稿では、CLIPモデルを利用して、画像の先行と意味的ガイダンスの取得により、既存のゼロ参照低照度化を改善することを提案する。 提案手法は,画像のコントラストと色調の改善,背景背景の識別の改善に有効であることを示す。
  論文  参考訳（メタデータ） (2024-12-10T17:32:09Z)
• CodeEnhance: A Codebook-Driven Approach for Low-Light Image Enhancement [97.95330185793358]
  低照度画像強調(LLIE)は、低照度画像を改善することを目的としている。 既存の手法では、様々な明るさ劣化からの回復の不確実性と、テクスチャと色情報の喪失という2つの課題に直面している。 我々は、量子化された先行値と画像の精細化を利用して、新しいエンハンスメント手法、CodeEnhanceを提案する。
  論文  参考訳（メタデータ） (2024-04-08T07:34:39Z)
• A Non-Uniform Low-Light Image Enhancement Method with Multi-Scale Attention Transformer and Luminance Consistency Loss [11.585269110131659]
  低照度画像強調は、薄暗い環境で収集された画像の知覚を改善することを目的としている。 既存の方法では、識別された輝度情報を適応的に抽出することができず、露光過多や露光過多を容易に引き起こすことができる。 MSATrというマルチスケールアテンション変換器を提案し,光バランスの局所的・グローバル的特徴を十分に抽出し,視覚的品質を向上させる。
  論文  参考訳（メタデータ） (2023-12-27T10:07:11Z)
• Controllable Image Enhancement [66.18525728881711]
  いくつかのパラメータを制御して、複数のスタイルで高品質な画像を生成できる半自動画像強調アルゴリズムを提案する。 エンコーダ・デコーダフレームワークは、リタッチスキルを潜在コードにエンコードし、イメージ信号処理機能のパラメータにデコードする。
  論文  参考訳（メタデータ） (2022-06-16T23:54:53Z)
• Low-light Image and Video Enhancement via Selective Manipulation of Chromaticity [1.4680035572775534]
  低照度画像と映像強調のための簡易かつ効果的なアプローチを提案する。 上述の適応性により、低照度画像分解による照明と反射率へのコストのかかるステップを回避できる。 標準の低照度画像データセットでは,いくつかの最先端技術に対して,アルゴリズムの有効性と質的,定量的な優位性を示す。
  論文  参考訳（メタデータ） (2022-03-09T17:01:28Z)
• Retaining Image Feature Matching Performance Under Low Light Conditions [13.664682865991256]
  低照度画像における低画質の画像品質は、画像間の特徴マッチング数が減少する可能性がある。 低照度画像であっても、手作りの従来の特徴検出器による特徴マッチングは相変わらず良好に機能することを示す。 低光画像強調(LLIE)アルゴリズムを適用することで、適切な特徴抽出アルゴリズムと組み合わせることで、機能マッチングをさらに改善することができる。
  論文  参考訳（メタデータ） (2020-09-02T06:44:45Z)
• 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)
• Learning an Adaptive Model for Extreme Low-light Raw Image Processing [5.706764509663774]
  画質向上のための適応型低照度生画像強調ネットワークを提案する。 提案手法は、最先端の低照度アルゴリズムと比較してノイズレベル推定(NLE)のスコアが低い。 ビデオ処理における潜在的な応用について概説する。
  論文  参考訳（メタデータ） (2020-04-22T09:01:07Z)

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。