論文の概要: LL-GaussianMap: Zero-shot Low-Light Image Enhancement via 2D Gaussian Splatting Guided Gain Maps

• arxiv url: http://arxiv.org/abs/2601.15766v1
• Date: Thu, 22 Jan 2026 08:57:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-23 21:37:20.548868
• Title: LL-GaussianMap: Zero-shot Low-Light Image Enhancement via 2D Gaussian Splatting Guided Gain Maps
• Title（参考訳）: LL-GaussianMap: 2次元ガウスプラッティングガイドゲインマップによるゼロショット低照度画像強調
• Authors: Yuhan Chen, Ying Fang, Guofa Li, Wenxuan Yu, Yicui Shi, Jingrui Zhang, Kefei Qian, Wenbo Chu, Keqiang Li,
• Abstract要約: LL-GaussianMapは2DGSを低照度画像拡張に組み込んだ最初の教師なしフレームワークとして提案されている。 その結果,LL-GaussianMapはストレージフットプリントを極端に低め,優れた拡張性能を実現することがわかった。
• 参考スコア（独自算出の注目度）: 24.549302711851478
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Significant progress has been made in low-light image enhancement with respect to visual quality. However, most existing methods primarily operate in the pixel domain or rely on implicit feature representations. As a result, the intrinsic geometric structural priors of images are often neglected. 2D Gaussian Splatting (2DGS) has emerged as a prominent explicit scene representation technique characterized by superior structural fitting capabilities and high rendering efficiency. Despite these advantages, the utilization of 2DGS in low-level vision tasks remains unexplored. To bridge this gap, LL-GaussianMap is proposed as the first unsupervised framework incorporating 2DGS into low-light image enhancement. Distinct from conventional methodologies, the enhancement task is formulated as a gain map generation process guided by 2DGS primitives. The proposed method comprises two primary stages. First, high-fidelity structural reconstruction is executed utilizing 2DGS. Then, data-driven enhancement dictionary coefficients are rendered via the rasterization mechanism of Gaussian splatting through an innovative unified enhancement module. This design effectively incorporates the structural perception capabilities of 2DGS into gain map generation, thereby preserving edges and suppressing artifacts during enhancement. Additionally, the reliance on paired data is circumvented through unsupervised learning. Experimental results demonstrate that LL-GaussianMap achieves superior enhancement performance with an extremely low storage footprint, highlighting the effectiveness of explicit Gaussian representations for image enhancement.
• Abstract（参考訳）: 視覚的品質に関して、低照度画像強調において顕著な進歩が見られた。 しかし、既存のほとんどのメソッドは、主にピクセルドメインで機能するか、暗黙的な特徴表現に依存している。 結果として、画像の固有の幾何学的構造的先行は無視されることが多い。 2DGS(2D Gaussian Splatting)は、優れた構造適合性と高いレンダリング効率を特徴とする顕著なシーン表現技術として登場した。 これらの利点にもかかわらず、低レベルの視覚タスクにおける2DGSの利用は未解明のままである。 このギャップを埋めるため、LL-GaussianMapは2DGSを低照度画像強調に組み込んだ最初の教師なしフレームワークとして提案されている。 従来の手法と異なり、2DGSプリミティブによってガイドされる利得マップ生成プロセスとして拡張タスクを定式化する。 提案手法は2つの一次段階からなる。 まず、2DGSを用いて高忠実度構造再構築を行う。 次に、ガウススプラッティングのラスタ化機構を介して、革新的な統一拡張モジュールを通してデータ駆動拡張辞書係数を描画する。 この設計は、2DGSの構造認識能力をゲインマップ生成に効果的に組み込んでおり、これによりエッジの保存と強化時のアーティファクトの抑制が図られる。 さらに、ペア化されたデータへの依存は教師なし学習によって回避される。 実験の結果,LL-GaussianMapはストレージフットプリントが極めて少ないため,画像強調のための明示的なガウス表現の有効性を強調した。

関連論文リスト

• LL-GaussianImage: Efficient Image Representation for Zero-shot Low-Light Enhancement with 2D Gaussian Splatting [26.287424110093113]
  2D Gaussian Splatting (2DGS) は画像圧縮に有意な可能性を秘めた明示的なシーン表現法である。 既存の低照度拡張アルゴリズムは、主にピクセル領域内で動作する。 LL-GaussianImageは2DGS圧縮表現領域内での低光強調のために設計された最初のゼロショット非教師付きフレームワークである。
  論文  参考訳（メタデータ） (2026-01-22T09:01:08Z)
• Contour Information Aware 2D Gaussian Splatting for Image Representation [0.0]
  本稿では,Contour Information-Aware 2D Gaussian Splattingフレームワークを提案する。 提案手法は,既存の2DGS法と比較して,オブジェクトエッジ周辺の再現性が高い。
  論文  参考訳（メタデータ） (2025-12-29T07:24:36Z)
• Fast 2DGS: Efficient Image Representation with Deep Gaussian Prior [21.89104780995278]
  Fast-2DGSは効率的なガウス画像表現のための軽量なフレームワークである。 本稿では,ガウスプリミティブの空間分布を捉えるための条件付きネットワークとして実装されたDeep Gaussian Priorを紹介する。 実験により、この非絡み合ったアーキテクチャは、1つの前方通過で高品質な再構築を実現し、次いで最小限の微調整を行うことが示された。
  論文  参考訳（メタデータ） (2025-12-14T17:23:28Z)
• GauSSmart: Enhanced 3D Reconstruction through 2D Foundation Models and Geometric Filtering [50.675710727721786]
  2次元基礎モデルと3次元ガウススプラッティング再構成をブリッジするハイブリッド手法であるGauSSmartを提案する。 提案手法は,凸フィルタリングや意味的特徴監視など,確立した2次元コンピュータビジョン技術を統合している。 GauSSmartは既存のGaussian Splattingよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-10-16T03:38:26Z)
• 2D Gaussian Splatting with Semantic Alignment for Image Inpainting [46.266955851252504]
  2次元ガウススプラッティングに基づく最初の画像インペイントフレームワークを提案する。 グローバルなセマンティック一貫性のために、事前訓練されたDINOモデルの特徴を取り入れる。 本手法は,定量的指標と知覚的品質の両面での競合性能を実現する。
  論文  参考訳（メタデータ） (2025-09-02T05:12:52Z)
• RGE-GS: Reward-Guided Expansive Driving Scene Reconstruction via Diffusion Priors [54.81109375939306]
  RGE-GSは、拡散に基づく生成と報酬誘導ガウス積分を相乗化する新しい拡張的再構築フレームワークである。 本稿では,復元フェーズに先立って一貫したパターンを識別・優先順位付けする報奨ネットワークを提案する。 復元過程において,シーン収束度に応じてガウス最適化の進捗を自動的に調整する学習戦略を考案した。
  論文  参考訳（メタデータ） (2025-06-28T08:02:54Z)
• Large Images are Gaussians: High-Quality Large Image Representation with Levels of 2D Gaussian Splatting [21.629316414488027]
  textbfLarge textbfImages are textbfGaussians (textbfLIG)。
  論文  参考訳（メタデータ） (2025-02-13T07:48:56Z)

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。