論文の概要: Nighttime Hazy Image Enhancement via Progressively and Mutually Reinforcing Night-Haze Priors

• arxiv url: http://arxiv.org/abs/2601.01998v1
• Date: Mon, 05 Jan 2026 10:58:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:23.028528
• Title: Nighttime Hazy Image Enhancement via Progressively and Mutually Reinforcing Night-Haze Priors
• Title（参考訳）: 夜間ヘイズ画像の進行的・無作為的改善
• Authors: Chen Zhu, Huiwen Zhang, Mu He, Yujie Li, Xiaotian Qiao,
• Abstract要約: 既存の方法は、主に一度に一つのタイプの劣化(例えば、ヘイズや低照度)に対処する。 我々は、低照度と迷路の先駆者間で共有されるドメイン知識が相互に強化され、より良い可視性が得られることを観察する。 本研究では,夜間の空白画像の視認性を高めるためのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 12.516890497421203
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Enhancing the visibility of nighttime hazy images is challenging due to the complex degradation distributions. Existing methods mainly address a single type of degradation (e.g., haze or low-light) at a time, ignoring the interplay of different degradation types and resulting in limited visibility improvement. We observe that the domain knowledge shared between low-light and haze priors can be reinforced mutually for better visibility. Based on this key insight, in this paper, we propose a novel framework that enhances visibility in nighttime hazy images by reinforcing the intrinsic consistency between haze and low-light priors mutually and progressively. In particular, our model utilizes image-, patch-, and pixel-level experts that operate across visual and frequency domains to recover global scene structure, regional patterns, and fine-grained details progressively. A frequency-aware router is further introduced to adaptively guide the contribution of each expert, ensuring robust image restoration. Extensive experiments demonstrate the superior performance of our model on nighttime dehazing benchmarks both quantitatively and qualitatively. Moreover, we showcase the generalizability of our model in daytime dehazing and low-light enhancement tasks.
• Abstract（参考訳）: 複雑な劣化分布のため、夜間のぼやけた画像の視認性を高めることは困難である。 既存の方法は、主に1つのタイプの劣化(例えば、ヘイズまたは低照度)に対処し、異なる劣化タイプの相互作用を無視し、視認性の向上に制限を与える。 我々は、低照度と迷路の先駆者間で共有されるドメイン知識が相互に強化され、より良い可視性が得られることを観察する。 本稿では,この重要な知見に基づいて,夜間のハゼと低照度先行の本質的な一貫性を相互に,段階的に強化することにより,夜間のハゼ画像の視認性を高める新しい枠組みを提案する。 特に, 画像, パッチ, ピクセルレベルのエキスパートが視覚領域, 周波数領域を横断して, グローバルなシーン構造, 地域パターン, 細かな細部を徐々に復元する。 さらに、周波数対応ルータを導入し、各専門家の貢献を適応的にガイドし、堅牢な画像復元を保証する。 大規模な実験により、夜間脱ハージングベンチマークにおけるモデルの性能が定量的にも定性的にも優れていることが示された。 さらに,昼間の脱ハージングや低照度化作業におけるモデルの一般化可能性を示す。

関連論文リスト

• From Enhancement to Understanding: Build a Generalized Bridge for Low-light Vision via Semantically Consistent Unsupervised Fine-tuning [65.94580484237737]
  低照度向上は下流タスクの画質を向上させるが、既存の手法は物理的または幾何学的先行に頼っている。 我々は、低照度強化と低照度理解の間に一般化された橋を架け、この橋をGEFU(Generalized Enhancement For Understanding)と呼ぶ。 低照度劣化の多様な原因を解決するために,事前学習した生成拡散モデルを用いて画像の最適化を行い,ゼロショット一般化性能を実現する。
  論文  参考訳（メタデータ） (2025-07-11T07:51:26Z)
• Exploring Reliable Matching with Phase Enhancement for Night-time Semantic Segmentation [58.180226179087086]
  夜間セマンティックセマンティックセグメンテーションに適した新しいエンドツーエンド最適化手法であるNightFormerを提案する。 具体的には,画素レベルのテクスチャ・エンハンスメント・モジュールを設計し,フェーズ・エンハンスメントとアンプリメント・アテンションとともに階層的にテクスチャ・アウェア機能を取得する。 提案手法は、最先端の夜間セマンティックセグメンテーション手法に対して好意的に機能する。
  論文  参考訳（メタデータ） (2024-08-25T13:59:31Z)
• Similarity Min-Max: Zero-Shot Day-Night Domain Adaptation [52.923298434948606]
  低照度条件は人間の視覚経験を妨げるだけでなく、下流の視覚タスクにおけるモデルの性能を低下させる。 この論文は、境界適用性、すなわちゼロショットの昼夜ドメイン適応に関するより複雑なシナリオに挑戦する。 我々は、それらを統一された枠組みで考える類似性 min-max パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-07-17T18:50:15Z)
• NightHazeFormer: Single Nighttime Haze Removal Using Prior Query Transformer [39.90066556289063]
  我々はナイトヘイズフォーマー(NightHazeFormer)と呼ばれる夜間ヘイズ除去のためのエンドツーエンドのトランスフォーマーベースのフレームワークを提案する。 提案手法は,教師付き事前学習と半教師付き微調整の2段階からなる。 いくつかの合成および実世界のデータセットの実験は、最先端の夜間ヘイズ除去法よりもNightHazeFormerの方が優れていることを示している。
  論文  参考訳（メタデータ） (2023-05-16T15:26:09Z)
• Regularizing Nighttime Weirdness: Efficient Self-supervised Monocular Depth Estimation in the Dark [20.66405067066299]
  未ペア深度マップから分布知識を学習するために,プリエントベース正規化を導入する。 また、画像の可視性とコントラストを高めるために、マッピング一貫性画像強調モジュールを活用している。 筆者らのフレームワークは,2つの夜間データセットに対して,顕著な改善と最先端の結果を達成している。
  論文  参考訳（メタデータ） (2021-08-09T06:24:35Z)
• 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。