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
• Authors: Farida Mohsen, Tala Zaim, Ali Al-Zawqari, Ali Safa, Samir Belhaouari,
• 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

• 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)
• 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)

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。