論文の概要: Towards Controllable Low-Light Image Enhancement: A Continuous Multi-illumination Dataset and Efficient State Space Framework
- arxiv url: http://arxiv.org/abs/2603.25296v1
- Date: Thu, 26 Mar 2026 10:40:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-27 20:52:48.247106
- Title: Towards Controllable Low-Light Image Enhancement: A Continuous Multi-illumination Dataset and Efficient State Space Framework
- Title（参考訳）: 制御可能な低照度画像強調に向けて:連続多照度データセットと高効率状態空間フレームワーク
- Authors: Hongru Han, Tingrui Guo, Liming Zhang, Yan Su, Qiwen Xu, Zhuohua Ye,
- Abstract要約: Light100 がサポートする総合的なフレームワークである Controllable Low-light Enhancement (CLE) を導入する。
輝度制御と色度との矛盾を解決するため、ノイズ分離型監視戦略を採用する。
提案手法は,実世界のマルチイルミネーション代替品として,競争性能とロバストな制御性を実現する。
- 参考スコア（独自算出の注目度）: 2.977173671229414
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Low-light image enhancement (LLIE) has traditionally been formulated as a deterministic mapping. However, this paradigm often struggles to account for the ill-posed nature of the task, where unknown ambient conditions and sensor parameters create a multimodal solution space. Consequently, state-of-the-art methods frequently encounter luminance discrepancies between predictions and labels, often necessitating "gt-mean" post-processing to align output luminance for evaluation. To address this fundamental limitation, we propose a transition toward Controllable Low-light Enhancement (CLE), explicitly reformulating the task as a well-posed conditional problem. To this end, we introduce CLE-RWKV, a holistic framework supported by Light100, a new benchmark featuring continuous real-world illumination transitions. To resolve the conflict between luminance control and chromatic fidelity, a noise-decoupled supervision strategy in the HVI color space is employed, effectively separating illumination modulation from texture restoration. Architecturally, to adapt efficient State Space Models (SSMs) for dense prediction, we leverage a Space-to-Depth (S2D) strategy. By folding spatial neighborhoods into channel dimensions, this design allows the model to recover local inductive biases and effectively bridge the "scanning gap" inherent in flattened visual sequences without sacrificing linear complexity. Experiments across seven benchmarks demonstrate that our approach achieves competitive performance and robust controllability, providing a real-world multi-illumination alternative that significantly reduces the reliance on gt-mean post-processing.
- Abstract（参考訳）: 低照度画像強調(LLIE)は伝統的に決定論的マッピングとして定式化されてきた。
しかし、このパラダイムは、未知の環境条件やセンサーパラメータがマルチモーダルな解空間を創り出すという、タスクの誤った性質を考慮するのにしばしば苦労する。
その結果、最先端の手法は、しばしば予測とラベルの輝度差に遭遇し、評価のために出力輝度を調整するために"gt-mean"後処理を必要とする。
この基本的制約に対処するため,制御可能な低照度化(CLE)への移行を提案し,その課題を条件付き問題として明示的に修正する。
この目的のために我々は,Light100がサポートする総合的なフレームワークであるCLE-RWKVを紹介した。
輝度制御と色度との矛盾を解決するため、HVI色空間におけるノイズ分離型監視戦略を採用し、テクスチャ復元から照明変調を効果的に分離する。
アーキテクチャ的には、高密度な予測に効率的な状態空間モデル(SSM)を適用するために、スペース・トゥ・ディープス(S2D)戦略を利用する。
この設計により、空間近傍をチャネル次元に折り畳むことで、局所帰納バイアスを回復し、線形複雑性を犠牲にすることなく平坦な視覚列に固有の「走査ギャップ」を効果的に橋渡しすることができる。
7つのベンチマークで実験したところ、我々のアプローチは競争性能と堅牢な制御性を実現し、gt-mean後処理への依存を著しく低減する実世界のマルチイルミネーション代替手段を提供する。
関連論文リスト
- Benchmarking Visual Feature Representations for LiDAR-Inertial-Visual Odometry Under Challenging Conditions [11.85572971097983]
本稿では,直接測光手法と記述子に基づく特徴マッチングを統合するハイブリッド手法を提案する。
実験の結果,提案手法は従来のスパース法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2026-03-19T07:56:49Z) - Anchor then Polish for Low-light Enhancement [10.471765109354724]
低照度画像強調は、絡み合った劣化のために困難である。
この研究は、局所的な細部の改良から地球規模のエネルギーアライメントを根本的に分離する新しいアンカー・テン・ポリッシュ(ATP)フレームワークを提案する。
提案手法は最先端の性能を実現し,視覚的に自然で量的に優れた低照度向上を実現する。
論文 参考訳（メタデータ） (2026-03-16T16:06:30Z) - Rethinking Multi-Condition DiTs: Eliminating Redundant Attention via Position-Alignment and Keyword-Scoping [61.459927600301654]
マルチコンディション制御は従来のコンカデント・アンド・アットエンドの戦略によってボトルネックとなる。
分析の結果,これらの相互作用の多くは空間的にも意味的にも冗長であることがわかった。
本稿では,これらの冗長性を解消するための高効率なフレームワークであるPKAを提案する。
論文 参考訳（メタデータ） (2026-02-06T16:39:10Z) - Zero-Reference Joint Low-Light Enhancement and Deblurring via Visual Autoregressive Modeling with VLM-Derived Modulation [18.67176370944511]
現実の暗黒画像は、視界とコントラストの低いだけでなく、複雑なノイズやぼやけも示しており、重要な修復上の課題を呈している。
視覚言語モデル(VLM)を用いた視覚自己回帰モデル(VAR)に基づく生成フレームワークを提案する。
我々のフレームワークは完全に教師なしであり、ベンチマークデータセット上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） (2025-11-23T19:08:45Z) - Luminance-Aware Statistical Quantization: Unsupervised Hierarchical Learning for Illumination Enhancement [31.996801376824408]
低照度画像強調法 (LLIE) は, クロスシナリオの一般化と再現率のバランスをとる上で, 永続的な課題に直面している。
本稿では,Luminance-Aware Statistical Quantification (LASQ)について述べる。
LASQは、階層化されたパワー関数によって近似できる強度座標空間における電力-法則分布として、輝度遷移を再概念化する。
論文 参考訳（メタデータ） (2025-11-03T12:24:52Z) - Veila: Panoramic LiDAR Generation from a Monocular RGB Image [18.511014983119274]
現実的で制御可能なパノラマLiDARデータ生成は、自律運転およびロボット工学におけるスケーラブルな3D知覚に不可欠である。
空間制御信号として単眼RGB画像を活用することは、スケーラブルで低コストな代替手段を提供する。
局所的な信頼性に応じて意味と深度を統合した新しい条件拡散フレームワークであるVeilaを提案する。
論文 参考訳（メタデータ） (2025-08-05T17:59:53Z) - SAIGFormer: A Spatially-Adaptive Illumination-Guided Network for Low-Light Image Enhancement [58.79901582809091]
近年, トランスフォーマーを用いた低照度化手法は, 世界照明の回復に有望な進展をもたらした。
近年, トランスフォーマーを用いた低照度化手法は, 世界照明の回復に有望な進展をもたらした。
正確な照明復元を可能にする空間適応照明誘導変圧器フレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-21T11:38:56Z) - Towards Generalized Range-View LiDAR Segmentation in Adverse Weather [65.22588361803942]
我々は、厳しい天候下でのLiDARセグメンテーションの一般化に影響を及ぼす固有の課題を特定し、分析する。
既存のモデルのコアアーキテクチャを変更することなく、ロバスト性を高めるモジュール式で軽量なフレームワークを提案する。
提案手法は,推定オーバーヘッドを最小限に抑え,悪天候への一般化を著しく改善する。
論文 参考訳（メタデータ） (2025-06-10T16:48:27Z) - Low-Light Video Enhancement via Spatial-Temporal Consistent Decomposition [52.89441679581216]
低照度ビデオエンハンスメント(LLVE)は、激しい視認性とノイズに悩まされる動的または静的なシーンの復元を目指している。
本稿では、ビューに依存しない、ビューに依存しないコンポーネントを組み込んだ革新的なビデオ分解戦略を提案する。
我々のフレームワークは、既存のメソッドを一貫して上回り、新しいSOTAパフォーマンスを確立します。
論文 参考訳（メタデータ） (2024-05-24T15:56:40Z) - Diving into Darkness: A Dual-Modulated Framework for High-Fidelity
Super-Resolution in Ultra-Dark Environments [51.58771256128329]
本稿では,低照度超解像課題の性質を深く理解しようとする,特殊二変調学習フレームワークを提案する。
Illuminance-Semantic Dual Modulation (ISDM) コンポーネントを開発した。
包括的実験は、我々のアプローチが多様で挑戦的な超低照度条件に適用可能であることを示す。
論文 参考訳（メタデータ） (2023-09-11T06:55:32Z)
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。