論文の概要: Low-light Image Enhancement with Retinex Decomposition in Latent Space

• arxiv url: http://arxiv.org/abs/2603.15131v1
• Date: Mon, 16 Mar 2026 11:24:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:58.099099
• Title: Low-light Image Enhancement with Retinex Decomposition in Latent Space
• Title（参考訳）: 遅延空間におけるレチネックス分解による低照度画像強調
• Authors: Bolun Zheng, Qingshan Lei, Quan Chen, Qianyu Zhang, Kainan Yu, Xu Jia, Lingyu Zhu,
• Abstract要約: 本稿では,分解・拡張フェーズからなる2段階モデルであるRetinex-Guided Transformer(RGT)モデルを提案する。 ログ変換と1ピクセルオフセットを組み込むことで、本質的な乗法関係を加法的定式化に変換する。 部品精製装置は反射率成分を精製し、テクスチャの詳細を保存し、照明分布を最適化し、効果的に低光入力を通常の光入力に変換する。
• 参考スコア（独自算出の注目度）: 17.678509073626284
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retinex theory provides a principled foundation for low-light image enhancement, inspiring numerous learning-based methods that integrate its principles. However, existing methods exhibits limitations in accurately decomposing reflectance and illumination components. To address this, we propose a Retinex-Guided Transformer~(RGT) model, which is a two-stage model consisting of decomposition and enhancement phases. First, we propose a latent space decomposition strategy to separate reflectance and illumination components. By incorporating the log transformation and 1-pixel offset, we convert the intrinsically multiplicative relationship into an additive formulation, enhancing decomposition stability and precision. Subsequently, we construct a U-shaped component refiner incorporating the proposed guidance fusion transformer block. The component refiner refines reflectance component to preserve texture details and optimize illumination distribution, effectively transforming low-light inputs to normal-light counterparts. Experimental evaluations across four benchmark datasets validate that our method achieves competitive performance in low-light enhancement and a more stable training process.
• Abstract（参考訳）: レチネックス理論は低照度画像強調のための原理的な基礎を提供し、その原理を統合する多くの学習ベースの手法を刺激する。 しかし、既存の手法は反射率と照明成分を正確に分解する限界を示す。 そこで本研究では,分解・拡張フェーズからなる2段階モデルであるRetinex-Guided Transformer~(RGT)モデルを提案する。 まず、反射率と照明成分を分離する潜在空間分解戦略を提案する。 ログ変換と1ピクセルオフセットを組み込むことで、本質的な乗法関係を付加的な定式化に変換し、分解安定性と精度を向上させる。 その後,提案した誘導核融合変圧器ブロックを組み込んだU字状部品精製器を構築した。 部品精製装置は反射率成分を精製し、テクスチャの詳細を保存し、照明分布を最適化し、効果的に低光入力を通常の光入力に変換する。 4つのベンチマークデータセットを対象とした実験により,低照度化とより安定したトレーニングプロセスにおいて,本手法が競争性能を達成できることが検証された。

関連論文リスト

• RefLSM: Linearized Structural-Prior Reflectance Model for Medical Image Segmentation and Bias-Field Correction [10.716406019360441]
  医用画像セグメンテーションのための新しい変動反射型レベルセットモデル(RefLSM)を提案する。 RefLSMはRetinexにインスパイアされた反射率分解をセグメンテーションフレームワークに明示的に統合する。 RefLSMは,最先端レベル設定法と比較して,セグメンテーション精度,ロバスト性,計算効率が優れていることを示す。
  論文  参考訳（メタデータ） (2025-12-08T06:06:29Z)
• Towards Perfection: Building Inter-component Mutual Correction for Retinex-based Low-light Image Enhancement [46.599700313630024]
  低照度画像強調では、レチネックスをベースとした深層学習法は、その例外的な解釈可能性により、大きな注目を集めている。 照明と反射成分の完全な分解を達成することは、非常に困難であることが証明されている。 本稿では,これらの残基をICR (Inter-component residuals) として公式に命名する。 本稿では,ICRの分解・拡張過程を緩和する新しい相関関係モデル(Iretinex)を提案する。
  論文  参考訳（メタデータ） (2025-08-12T15:20:32Z)
• Efficient Diffusion as Low Light Enhancer [63.789138528062225]
  RATR(Reflectance-Aware Trajectory Refinement)は、イメージの反射成分を用いて教師の軌跡を洗練するための、シンプルで効果的なモジュールである。 textbfReDDiT (textbfDistilled textbfTrajectory) は低照度画像強調(LLIE)に適した効率的で柔軟な蒸留フレームワークである。
  論文  参考訳（メタデータ） (2024-10-16T08:07:18Z)
• JoReS-Diff: Joint Retinex and Semantic Priors in Diffusion Model for Low-light Image Enhancement [69.6035373784027]
  低照度画像強調(LLIE)は条件付き拡散モデルを用いて有望な性能を実現している。 従来手法は、タスク固有の条件戦略の十分な定式化の重要性を無視するものであった。 本稿では,Retinex および semantic-based pre-processing condition を付加した新しいアプローチである JoReS-Diff を提案する。
  論文  参考訳（メタデータ） (2023-12-20T08:05:57Z)
• Reti-Diff: Illumination Degradation Image Restoration with Retinex-based Latent Diffusion Model [59.08821399652483]
  照明劣化画像復元(IDIR)技術は、劣化した画像の視認性を改善し、劣化した照明の悪影響を軽減することを目的としている。 これらのアルゴリズムのうち、拡散モデル(DM)に基づく手法は期待できる性能を示しているが、画像レベルの分布を予測する際に、重い計算要求や画素の不一致の問題に悩まされることが多い。 我々は、コンパクトな潜在空間内でDMを活用して、簡潔な指導先を生成することを提案し、IDIRタスクのためのReti-Diffと呼ばれる新しいソリューションを提案する。 Reti-Diff は Retinex-based Latent DM (RLDM) と Retinex-Guided Transformer (RG) の2つの鍵成分からなる。
  論文  参考訳（メタデータ） (2023-11-20T09:55:06Z)
• NeFII: Inverse Rendering for Reflectance Decomposition with Near-Field Indirect Illumination [48.42173911185454]
  逆レンダリング手法は、多視点RGB画像から幾何学、材料、照明を推定することを目的としている。 本稿では,多視点画像から材料と照明を分解するエンドツーエンドの逆レンダリングパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-03-29T12:05:19Z)
• Retinexformer: One-stage Retinex-based Transformer for Low-light Image Enhancement [96.09255345336639]
  低照度画像の高精細化のために,原理化された1段Retinex-based Framework (ORF) を定式化する。 ORFはまず照明情報を推定し、低照度画像を照らす。 我々のアルゴリズムであるRetinexformerは13のベンチマークで最先端の手法を大幅に上回っている。
  論文  参考訳（メタデータ） (2023-03-12T16:54:08Z)
• NLHD: A Pixel-Level Non-Local Retinex Model for Low-Light Image Enhancement [7.489618301273569]
  新たな画素レベルの非局所ハール変換を用いた照明・反射率分解法(NLHD)を提案する。 一致した類似画素群における画素の完全類似性と単純な分離可能なハール変換はより適切な画像分解を得るのに役立つ。 ベンチマークデータセットを用いた実験により,提案手法は主観的・客観的評価において,低照度画像強調結果の精度が向上することを示した。
  論文  参考訳（メタデータ） (2021-06-13T11:48:14Z)

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。