論文の概要: BiEvLight: Bi-level Learning of Task-Aware Event Refinement for Low-Light Image Enhancement
- arxiv url: http://arxiv.org/abs/2603.04975v1
- Date: Thu, 05 Mar 2026 09:14:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-06 22:06:11.159346
- Title: BiEvLight: Bi-level Learning of Task-Aware Event Refinement for Low-Light Image Enhancement
- Title（参考訳）: BiEvLight: 低照度画像強調のためのタスク対応イベントリファインメントのバイレベル学習
- Authors: Zishu Yao, Xiang-Xiang Su, Shengning Zhou, Guang-Yong Chen, Guodong Fan, Xing Chen,
- Abstract要約: イベントカメラは、低照度画像強調(LLIE)を大いに約束する
主な課題は、事象の内在的背景活動(BA)ノイズと画像の低信号-雑音比(SNR)との二重劣化である。
階層的かつタスク対応のフレームワークであるBiEvLightを提案する。
- 参考スコア（独自算出の注目度）: 24.179374236283408
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Event cameras, with their high dynamic range, show great promise for Low-light Image Enhancement (LLIE). Existing works primarily focus on designing effective modal fusion strategies. However, a key challenge is the dual degradation from intrinsic background activity (BA) noise in events and low signal-to-noise ratio (SNR) in images, which causes severe noise coupling during modal fusion, creating a critical performance bottleneck. We therefore posit that precise event denoising is the prerequisite to unlocking the full potential of event-based fusion. To this end, we propose BiEvLight, a hierarchical and task-aware framework that collaboratively optimizes enhancement and denoising by exploiting their intrinsic interdependence. Specifically, BiEvLight exploits the strong gradient correlation between images and events to build a gradient-guided event denoising prior that alleviates insufficient denoising in heavily noisy regions. Moreover, instead of treating event denoising as a static pre-processing stage-which inevitably incurs a trade-off between over- and under-denoising and cannot adapt to the requirements of a specific enhancement objective-we recast it as a bilevel optimization problem constrained by the enhancement task. Through cross-task interaction, the upper-level denoising problem learns event representations tailored to the lower-level enhancement objective, thereby substantially improving overall enhancement quality. Extensive experiments on the Real-world noise Dataset SDE demonstrate that our method significantly outperforms state-of-the-art (SOTA) approaches, with average improvements of 1.30dB in PSNR, 2.03dB in PSNR* and 0.047 in SSIM, respectively. The code will be publicly available at https://github.com/iijjlk/BiEvlight.
- Abstract（参考訳）: 高ダイナミックレンジのイベントカメラは、低照度画像強調(LLIE)に非常に有望である。
既存の研究は主に効果的なモーダル融合戦略の設計に重点を置いている。
しかし、重要な課題は、イベント中の内在的背景活動(BA)ノイズと画像中の低信号-雑音比(SNR)からの2重劣化であり、これはモーダル融合時に大きなノイズカップリングを引き起こし、重要な性能ボトルネックを生み出している。
したがって、イベントベースの融合の可能性を解き明かすためには、正確なイベントのデノベーションが必須である、と仮定する。
この目的のために,本質的な相互依存を生かして拡張と認知を協調的に最適化する階層的でタスク対応のフレームワークであるBiEvLightを提案する。
具体的には、BiEvLightは、画像とイベント間の強い勾配相関を利用して、勾配誘導イベントを構築する。
さらに、イベントデノナイズを静的な前処理段階として扱うのではなく、オーバーデノナイズとアンダーデノナイズの間のトレードオフを必然的に引き起こし、特定のエンハンスメント目標の要求に適応できず、エンハンスメントタスクに制約されたバイレベル最適化問題として再考する。
クロスタスクインタラクションを通じて、上位階層の認知問題は、下位レベルの拡張目標に適したイベント表現を学習し、全体的な拡張品質を大幅に向上させる。
実世界のノイズデータセットSDEに関する大規模な実験により,提案手法はPSNRでは1.30dB,PSNRでは2.03dB,SSIMでは0.047という,最先端(SOTA)アプローチを著しく上回ることを示した。
コードはhttps://github.com/iijjlk/BiEvlight.comで公開される。
関連論文リスト
- EvRWKV: A Continuous Interactive RWKV Framework for Effective Event-Guided Low-Light Image Enhancement [10.556338127441167]
イベントカメラは、輝度変化を非同期にキャプチャすることで、高ダイナミックレンジとマイクロ秒の時間分解能を提供する。
EvRWKVは、二重ドメイン処理による連続的な相互モーダル相互作用を実現する新しいフレームワークである。
我々は,EvRWKVが最先端性能を実現し,ノイズを抑制し,構造的詳細を復元し,低照度環境に挑戦する際の視覚的明瞭度を向上させることにより,画像品質を効果的に向上することを示す。
論文 参考訳（メタデータ） (2025-07-01T19:05:04Z) - Bidirectional Image-Event Guided Fusion Framework for Low-Light Image Enhancement [24.5584423318892]
極端に低照度な条件下では、フレームベースのカメラは、ダイナミックレンジの制限により、細部が著しく失われる。
近年の研究では、イベント誘導型低照度画像強調のためのイベントカメラが導入されている。
低光画像強調のための双方向画像イベント誘導融合フレームワークBiLIEを提案する。
論文 参考訳（メタデータ） (2025-06-06T14:28:17Z) - Zero-Shot Image Denoising for High-Resolution Electron Microscopy [28.34992348748098]
高分解能電子顕微鏡(HREM)イメージング技術は、広い範囲の物質を直接リアルタイムに可視化するための強力なツールである。
超低信号対雑音比(SNR)とデータ可用性の不足により、ノイズ除去の課題に直面している。
HREMのためのゼロショット自己教師型学習(ZS-SSL)フレームワークであるNoss2SRを提案する。
論文 参考訳（メタデータ） (2024-06-20T12:40:18Z) - LED: A Large-scale Real-world Paired Dataset for Event Camera Denoising [19.51468512911655]
イベントカメラは、ノイズ干渉を受けやすい場合に動的シーン情報をキャプチャする点で大きな利点がある。
我々は,高解像度(1200*680)イベントストリームで18K秒の3Kシーケンスを含む,新しいペア化された実世界のイベントデノゲーションデータセット(LED)を構築した。
そこで本研究では,GTを生音から分離して生成する手法として,均質な二重事象を用いた新しい効果的なデノナイジングフレームワーク(DED)を提案する。
論文 参考訳（メタデータ） (2024-05-30T06:02:35Z) - Stimulating Diffusion Model for Image Denoising via Adaptive Embedding and Ensembling [56.506240377714754]
DMID(Diffusion Model for Image Denoising)と呼ばれる新しい手法を提案する。
我々の戦略は、雑音のある画像を事前訓練された非条件拡散モデルに埋め込む適応的な埋め込み法を含む。
我々のDMID戦略は、歪みベースと知覚ベースの両方で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2023-07-08T14:59:41Z) - 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) - Zero-shot Blind Image Denoising via Implicit Neural Representations [77.79032012459243]
暗黙的ニューラル表現(INR)のアーキテクチャ的帰納的バイアスを利用した代替的認知戦略を提案する。
提案手法は,低雑音シナリオや実雑音シナリオの広い範囲において,既存のゼロショット復調手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-04-05T12:46:36Z) - IDR: Self-Supervised Image Denoising via Iterative Data Refinement [66.5510583957863]
本稿では,最先端のデノナイジング性能を実現するために,教師なしの実用的なデノナイジング手法を提案する。
本手法では, 1つのノイズ画像と1つのノイズモデルしか必要とせず, 実際の生画像に容易にアクセス可能である。
実世界のアプリケーションにおける生画像復調性能を評価するため,500シーンのシーンを含む高品質な生画像データセットSenseNoise-500を構築した。
論文 参考訳（メタデータ） (2021-11-29T07:22:53Z) - CERL: A Unified Optimization Framework for Light Enhancement with
Realistic Noise [81.47026986488638]
現実世界で撮影された低照度画像は、センサーノイズによって必然的に破損する。
既存の光強調法は、拡張中の現実世界のノイズの重要な影響を見落としているか、ノイズ除去を別の前処理または後処理のステップとして扱うかのどちらかである。
実世界の低照度雑音画像(CERL)のコーディネート・エンハンスメントを行い,光強調部と雑音抑制部を一体化・物理接地したフレームワークにシームレスに統合する。
論文 参考訳（メタデータ） (2021-08-01T15:31:15Z) - Progressive Joint Low-light Enhancement and Noise Removal for Raw Images [10.778200442212334]
モバイル機器の低照度撮像は、比較的小さな開口部を通過する入射光が不足しているため、通常困難である。
そこで我々は,共同照明調整,色強調,遮音を行う低照度画像処理フレームワークを提案する。
我々のフレームワークは、他のカメラモデルに適応する際に、大量のデータを再構成する必要はない。
論文 参考訳（メタデータ） (2021-06-28T16:43:52Z) - 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。