論文の概要: Data relativistic uncertainty framework for low-illumination anime scenery image enhancement

• arxiv url: http://arxiv.org/abs/2512.21944v1
• Date: Fri, 26 Dec 2025 09:43:24 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-29 11:55:16.76486
• Title: Data relativistic uncertainty framework for low-illumination anime scenery image enhancement
• Title（参考訳）: 低照度アニメ映像強調のためのデータ相対論的不確実性フレームワーク
• Authors: Yiquan Gao, John See,
• Abstract要約: 本稿では,データ相対論的不確実性(DRU)フレームワークを提案する。 光の波動-粒子双対性に類似して、我々の枠組みは暗/明の試料の照明の不確かさを解釈的に定義し、定量化する。 実験では、いくつかのバージョンのEnlightenGANをトレーニングすることで、DRUフレームワークの有効性を示す。
• 参考スコア（独自算出の注目度）: 9.907747671114224
• License:
• Abstract: By contrast with the prevailing works of low-light enhancement in natural images and videos, this study copes with the low-illumination quality degradation in anime scenery images to bridge the domain gap. For such an underexplored enhancement task, we first curate images from various sources and construct an unpaired anime scenery dataset with diverse environments and illumination conditions to address the data scarcity. To exploit the power of uncertainty information inherent with the diverse illumination conditions, we propose a Data Relativistic Uncertainty (DRU) framework, motivated by the idea from Relativistic GAN. By analogy with the wave-particle duality of light, our framework interpretably defines and quantifies the illumination uncertainty of dark/bright samples, which is leveraged to dynamically adjust the objective functions to recalibrate the model learning under data uncertainty. Extensive experiments demonstrate the effectiveness of DRU framework by training several versions of EnlightenGANs, yielding superior perceptual and aesthetic qualities beyond the state-of-the-art methods that are incapable of learning from data uncertainty perspective. We hope our framework can expose a novel paradigm of data-centric learning for potential visual and language domains. Code is available.
• Abstract（参考訳）: 自然画像やビデオにおける低照度化の取り組みとは対照的に,アニメ映像の低照度画質劣化に対処し,領域ギャップを埋める。 このような過度に探索されたエンハンスメントタスクのために、まず様々なソースから画像をキュレートし、多様な環境と照明条件を備えた未完成のアニメシーンデータセットを構築し、データの不足に対処する。 多様な照明条件に固有の不確実性情報のパワーを活用するために,相対論的GANのアイデアに動機づけられたデータ相対論的不確実性(DRU)フレームワークを提案する。 光の波動-粒子の双対性に類似して、我々のフレームワークは、データ不確実性の下でのモデル学習を動的に調整するために、暗/明サンプルの照明の不確かさを解釈し、定量化する。 複数のEnlightenGANをトレーニングすることで、DRUフレームワークの有効性を実証し、データ不確実性の観点からの学習が不可能な最先端の手法よりも優れた知覚的および美的品質を提供する。 我々のフレームワークは、潜在的な視覚領域と言語領域に対して、データ中心学習の新しいパラダイムを公開できることを期待しています。 コードは利用可能。

関連論文リスト

• LuxDiT: Lighting Estimation with Video Diffusion Transformer [66.60450792095901]
  単一の画像やビデオからシーンライティングを推定することは、コンピュータビジョンとグラフィックスにおいて長年の課題である。 本稿では,映像拡散変換器を微調整し,視覚入力を前提としたHDR環境マップを生成するLuxDiTを提案する。
  論文  参考訳（メタデータ） (2025-09-03T19:59:20Z)
• Nonlocal Retinex-Based Variational Model and its Deep Unfolding Twin for Low-Light Image Enhancement [3.174882428337821]
  本稿では,Retinex分解に基づく低照度画像強調のための変分法を提案する。 低照度画像に色補正前処理ステップを適用し、分解時に観察された入力として使用する。 我々は、演算子を学習可能なネットワークに置き換える深層展開モデルを導入することにより、モデルを拡張する。
  論文  参考訳（メタデータ） (2025-04-10T14:48:26Z)
• 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)
• Illumination and Shadows in Head Rotation: experiments with Denoising Diffusion Models [0.0]
  本研究は, 様々な照明条件下で連続的な頭部回転を表現できる魅力的な軌道を同定するために, 拡散モデルの遅延空間を探索する。 我々の研究の重要な貢献は、CelebAデータセットから追加のラベルを生成し、一般的な照明方向に基づいて画像を3つのグループに分類することである。
  論文  参考訳（メタデータ） (2023-08-11T10:14:22Z)
• Bilevel Fast Scene Adaptation for Low-Light Image Enhancement [50.639332885989255]
  低照度シーンにおける画像の強調は、コンピュータビジョンにおいて難しいが、広く懸念されている課題である。 主な障害は、異なるシーンにまたがる分散の相違によるモデリングの混乱にある。 上述の潜在対応をモデル化するための双レベルパラダイムを導入する。 エンコーダのシーン非関連な一般化を多様なシーンにもたらすために、双方向学習フレームワークを構築した。
  論文  参考訳（メタデータ） (2023-06-02T08:16:21Z)
• 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)
• TensoIR: Tensorial Inverse Rendering [51.57268311847087]
  テンソルIRはテンソル分解とニューラルフィールドに基づく新しい逆レンダリング手法である。 TensoRFは、放射場モデリングのための最先端のアプローチである。
  論文  参考訳（メタデータ） (2023-04-24T21:39:13Z)
• NOD: Taking a Closer Look at Detection under Extreme Low-Light Conditions with Night Object Detection Dataset [25.29013780731876]
  低い光は、以前考えられていたよりもマシン認知にとって困難である。 夜間に街路で撮影されたダイナミックなシーンを示す大規模なデータセットを提示する。 本稿では,画像強調モジュールをオブジェクト検出フレームワークと2つの新しいデータ拡張手法に組み込むことを提案する。
  論文  参考訳（メタデータ） (2021-10-20T03:44:04Z)
• 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。