論文の概要: IAML: Illumination-Aware Mirror Loss for Progressive Learning in Low-Light Image Enhancement Auto-encoders

• arxiv url: http://arxiv.org/abs/2603.13363v1
• Date: Mon, 09 Mar 2026 10:48:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.12637
• Title: IAML: Illumination-Aware Mirror Loss for Progressive Learning in Low-Light Image Enhancement Auto-encoders
• Title（参考訳）: IAML:低照度画像強調オートエンコーダにおけるプログレッシブラーニングのためのイルミネーション対応ミラー損失
• Abstract要約: 本稿では,低照度画像強調オートエンコーダの学習のための新しいトレーニング手法と損失関数を提案する。 本手法は,プログレッシブ・ラーニング・アプローチと合わせて,教師が学習するオートエンコーダ・セットアップの利用を中心に展開する。 提案モデルでは,SSIM,PSNR,LPIPSの再現精度の平均値を用いて,最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 0.6710873404697387
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This letter presents a novel training approach and loss function for learning low-light image enhancement auto-encoders. Our approach revolves around the use of a teacher-student auto-encoder setup coupled to a progressive learning approach where multi-scale information from clean image decoder feature maps is distilled into each layer of the student decoder in a mirrored fashion using a newly-proposed loss function termed Illumination-Aware Mirror Loss (IAML). IAML helps aligning the feature maps within the student decoder network with clean feature maps originating from the teacher side while taking into account the effect of lighting variations within the input images. Extensive benchmarking of our proposed approach on three popular low-light image enhancement datasets demonstrate that our model achieves state-of-the-art performance in terms of average SSIM, PSNR and LPIPS reconstruction accuracy metrics. Finally, ablation studies are performed to clearly demonstrate the effect of IAML on the image reconstruction accuracy.
• Abstract（参考訳）: 本稿では,低照度画像強調オートエンコーダの学習のための新しいトレーニング手法と損失関数を提案する。 本手法は,学生デコーダの各層に,イルミネーション・アウェア・ミラー・ロス (IAML) と呼ばれる新たに提案された損失関数を用いて,クリーン画像デコーダの特徴マップからのマルチスケール情報を抽出する,プログレッシブラーニングアプローチと組み合わせた教師学生自動エンコーダの活用を中心に展開する。 IAMLは、学生デコーダネットワーク内の特徴マップと教師側から派生したクリーンな特徴マップとの整合化を支援し、入力画像内の照明変動の影響を考慮に入れている。 3つの一般的な低照度画像強調データセットに対する提案手法の大規模なベンチマークにより, 平均SSIM, PSNR, LPIPS再構成精度の指標を用いて, 我々のモデルが最先端の性能を達成することを示す。 最後に、画像再構成精度に対するIAMLの効果を明確に示すためにアブレーション研究を行った。

関連論文リスト

• Low-Light Enhancement via Encoder-Decoder Network with Illumination Guidance [0.0]
  本稿では,低照度画像強調のための新しいディープラーニングフレームワーク,Theを紹介する。 Illumination Guidance (EDNIG) を用いたデコーダネットワーク EDNIGはBright Channel Prior (BCP)から派生した照明マップをガイダンス入力として統合する。 合成損失関数を用いてGAN(Generative Adversarial Network)フレームワーク内で最適化され、対向損失、画素単位の平均二乗誤差(MSE)、知覚損失を組み合わせた。
  論文  参考訳（メタデータ） (2025-07-04T09:35:00Z)
• UniRestore: Unified Perceptual and Task-Oriented Image Restoration Model Using Diffusion Prior [56.35236964617809]
  画像復元は、悪天候、ぼやけ、騒音などの様々な要因によって劣化した入力からコンテンツを回復することを目的としている。 本稿では,PIRとTIRのギャップを埋める統一画像復元モデルUniRestoreを紹介する。 本稿では,分解エンコーダの特徴を再構築するための補足的特徴回復モジュール (CFRM) と,デコーダの適応的特徴融合を容易にするタスク特徴適応モジュール (TFA) を提案する。
  論文  参考訳（メタデータ） (2025-01-22T08:06:48Z)
• Utilizing Multi-step Loss for Single Image Reflection Removal [0.9208007322096532]
  歪んだイメージは、オブジェクト検出やイメージセグメンテーションといったタスクに悪影響を及ぼす可能性がある。 単一画像を用いた画像反射除去のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-11T17:57:25Z)
• GLARE: Low Light Image Enhancement via Generative Latent Feature based Codebook Retrieval [80.96706764868898]
  我々は、GLARE(Generative LAtent Feature based codebook Retrieval)を介して、新しい低照度画像強調(LLIE)ネットワークを提案する。 Invertible Latent Normalizing Flow (I-LNF) モジュールを開発し、LL特徴分布をNL潜在表現に整合させ、コードブック内の正しいコード検索を保証する。 さまざまなベンチマークデータセットと実世界のデータに対するGLAREの優れたパフォーマンスを確認する実験。
  論文  参考訳（メタデータ） (2024-07-17T09:40:15Z)
• CodeEnhance: A Codebook-Driven Approach for Low-Light Image Enhancement [97.95330185793358]
  低照度画像強調(LLIE)は、低照度画像を改善することを目的としている。 既存の手法では、様々な明るさ劣化からの回復の不確実性と、テクスチャと色情報の喪失という2つの課題に直面している。 我々は、量子化された先行値と画像の精細化を利用して、新しいエンハンスメント手法、CodeEnhanceを提案する。
  論文  参考訳（メタデータ） (2024-04-08T07:34:39Z)
• ClassLIE: Structure- and Illumination-Adaptive Classification for Low-Light Image Enhancement [17.51201873607536]
  本稿では,CNN と変換器のポテンシャルを組み合わせた新しいフレームワーク ClassLIE を提案する。 低照度画像から、全体的かつ局所的に構造的および照明的情報を分類し、適応的に学習する。 5つのベンチマークデータセットの実験は、私たちのClassLIEが新しい最先端のパフォーマンスを達成することを一貫して示しています。
  論文  参考訳（メタデータ） (2023-12-20T18:43:20Z)
• Enhancing Low-light Light Field Images with A Deep Compensation Unfolding Network [52.77569396659629]
  本稿では,低光環境下で撮像した光場(LF)画像の復元に,DCUNet(Deep compensation network openfolding)を提案する。 このフレームワークは、中間拡張結果を使用して照明マップを推定し、展開プロセスで新しい拡張結果を生成する。 本稿では,LF画像の特徴を適切に活用するために,擬似明示的特徴相互作用モジュールを提案する。
  論文  参考訳（メタデータ） (2023-08-10T07:53:06Z)
• Progressively-connected Light Field Network for Efficient View Synthesis [69.29043048775802]
  本稿では、複雑な前方シーンのビュー合成のためのプログレッシブ・コネクテッド・ライトフィールド・ネットワーク(ProLiF)を提案する。 ProLiFは4Dライトフィールドをエンコードし、画像やパッチレベルの損失に対するトレーニングステップで大量の光線をレンダリングすることができる。
  論文  参考訳（メタデータ） (2022-07-10T13:47:20Z)
• Invertible Network for Unpaired Low-light Image Enhancement [78.33382003460903]
  本稿では,非可逆的ネットワークを活用して,前処理における低照度画像の強化と,非対向学習により逆向きに通常の照度画像の劣化を図ることを提案する。 対向的損失に加えて、トレーニングの安定性を確保し、より詳細な画像を保存するために、様々な損失関数を設計する。 低照度画像に対するプログレッシブ自己誘導強調処理を提案し,SOTAに対して良好な性能を示す。
  論文  参考訳（メタデータ） (2021-12-24T17:00:54Z)

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。