論文の概要: LL-GaussianImage: Efficient Image Representation for Zero-shot Low-Light Enhancement with 2D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2601.15772v1
• Date: Thu, 22 Jan 2026 09:01:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-23 21:37:20.551579
• Title: LL-GaussianImage: Efficient Image Representation for Zero-shot Low-Light Enhancement with 2D Gaussian Splatting
• Title（参考訳）: LL-Gaussian Image: 2次元ガウススプラッティングによるゼロショット低光強調のための効率的な画像表現
• Authors: Yuhan Chen, Wenxuan Yu, Guofa Li, Yijun Xu, Ying Fang, Yicui Shi, Long Cao, Wenbo Chu, Keqiang Li,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 26.287424110093113
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 2D Gaussian Splatting (2DGS) is an emerging explicit scene representation method with significant potential for image compression due to high fidelity and high compression ratios. However, existing low-light enhancement algorithms operate predominantly within the pixel domain. Processing 2DGS-compressed images necessitates a cumbersome decompression-enhancement-recompression pipeline, which compromises efficiency and introduces secondary degradation. To address these limitations, we propose LL-GaussianImage, the first zero-shot unsupervised framework designed for low-light enhancement directly within the 2DGS compressed representation domain. Three primary advantages are offered by this framework. First, a semantic-guided Mixture-of-Experts enhancement framework is designed. Dynamic adaptive transformations are applied to the sparse attribute space of 2DGS using rendered images as guidance to enable compression-as-enhancement without full decompression to a pixel grid. Second, a multi-objective collaborative loss function system is established to strictly constrain smoothness and fidelity during enhancement, suppressing artifacts while improving visual quality. Third, a two-stage optimization process is utilized to achieve reconstruction-as-enhancement. The accuracy of the base representation is ensured through single-scale reconstruction and network robustness is enhanced. High-quality enhancement of low-light images is achieved while high compression ratios are maintained. The feasibility and superiority of the paradigm for direct processing within the compressed representation domain are validated through experimental results.
• Abstract（参考訳）: 2D Gaussian Splatting (2DGS) は、高忠実度と高圧縮率による画像圧縮に有意な可能性を秘めた、新たな明示的なシーン表現法である。 しかし、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機能する。 2DGS圧縮画像の処理は、効率を損なうとともに二次劣化をもたらす、煩雑な減圧・減圧パイプラインを必要とする。 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。 このフレームワークには3つの大きな利点がある。 まず,意味誘導型Mixture-of-Experts拡張フレームワークを設計する。 レンダリング画像を用いて2DGSのスパース特性空間に動的適応変換を適用し、ピクセルグリッドに完全に圧縮することなく圧縮・アズ・エンハンスメントを実現する。 第2に、多目的協調損失関数システムを構築し、強化中の滑らかさと忠実さを厳格に制約し、視覚的品質を改善しつつ、人工物を抑制する。 第三に、2段階の最適化プロセスを利用して、再構築・改善を実現する。 単一スケールの再構成によりベース表現の精度が確保され、ネットワークの堅牢性が向上する。 低照度画像の高画質化が達成され、高い圧縮比が維持される。 圧縮表現領域内での直接処理のパラダイムの実現可能性および優位性を実験結果により検証する。

関連論文リスト

• LL-GaussianMap: Zero-shot Low-Light Image Enhancement via 2D Gaussian Splatting Guided Gain Maps [24.549302711851478]
  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。
  論文  参考訳（メタデータ） (2026-01-22T08:57:36Z)
• CSGaussian: Progressive Rate-Distortion Compression and Segmentation for 3D Gaussian Splatting [57.73006852239138]
  本稿では,3次元ガウススプラッティングの速度歪み最適化圧縮とセグメンテーションのための最初の統一フレームワークを提案する(3DGS)。 速度歪みに最適化された3DGS圧縮の最近の進歩に触発されたこの研究は、セマンティックラーニングを圧縮パイプラインに統合し、デコーダ側アプリケーションをサポートする。 提案方式は暗黙的ニューラル表現に基づくハイパープライアを特徴とし,色属性と意味属性の両方の効率的なエントロピー符号化を実現する。
  論文  参考訳（メタデータ） (2026-01-19T08:21:45Z)
• Leveraging Learned Image Prior for 3D Gaussian Compression [47.29061692878941]
  圧縮による品質劣化を回復するために,学習画像の強力な表現能力を活用する新しい3DGS圧縮フレームワークを提案する。 我々のフレームワークは既存のガウス圧縮手法と互換性があり、様々なベースラインに広く適用できるように設計されている。
  論文  参考訳（メタデータ） (2025-10-16T14:10:02Z)
• ExGS: Extreme 3D Gaussian Compression with Diffusion Priors [60.7245825868903]
  エクストリーム3DGS圧縮のためのExGSとGaussPainterを紹介する。 GassPainterは、欠落した領域を埋め、可視画素を強化し、劣化したレンダリングを大幅に改善する。 私たちのフレームワークは100X圧縮(典型的な354.77MBモデルから約3.31MBまで)も達成できます。
  論文  参考訳（メタデータ） (2025-09-29T13:23:06Z)
• GL-PGENet: A Parameterized Generation Framework for Robust Document Image Enhancement [0.42303492200814446]
  ドキュメント画像強調(DIE)は、ドキュメントAIシステムにおいて重要なコンポーネントであり、そのパフォーマンスが下流タスクの有効性を決定する。 マルチ劣化カラー文書画像のための新しいアーキテクチャであるGlobal with Local Parametric Generation Enhancement Network (GL-PGENet)について述べる。
  論文  参考訳（メタデータ） (2025-05-28T06:37:06Z)
• Timestep-Aware Diffusion Model for Extreme Image Rescaling [47.89362819768323]
  本稿では,時間認識拡散モデル(TADM)と呼ばれる,画像再スケーリングのための新しいフレームワークを提案する。 TADMは、事前訓練されたオートエンコーダの潜在空間で再スケーリング操作を行う。 これは、事前訓練されたテキスト・ツー・イメージ拡散モデルによって学習された強力な自然画像の先行を効果的に活用する。
  論文  参考訳（メタデータ） (2024-08-17T09:51:42Z)
• Image-GS: Content-Adaptive Image Representation via 2D Gaussians [52.598772767324036]
  本稿では,2次元ガウス放射率に基づくコンテンツ適応型画像表現であるImage-GSを紹介する。 リアルタイム使用のためにハードウェアフレンドリーな高速アクセスをサポートし、ピクセルをデコードするためには0.3KのMACしか必要としない。 テクスチャ圧縮、セマンティクス対応圧縮、共同画像圧縮と復元など、いくつかのアプリケーションでその汎用性を実証する。
  論文  参考訳（メタデータ） (2024-07-02T00:45:21Z)

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。