論文の概要: Dual-Path Learning based on Frequency Structural Decoupling and Regional-Aware Fusion for Low-Light Image Super-Resolution
- arxiv url: http://arxiv.org/abs/2603.27301v1
- Date: Sat, 28 Mar 2026 15:15:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-31 23:18:44.88953
- Title: Dual-Path Learning based on Frequency Structural Decoupling and Regional-Aware Fusion for Low-Light Image Super-Resolution
- Title（参考訳）: 低光像超解像のための周波数構造デカップリングと地域認識融合に基づくデュアルパス学習
- Abstract要約: 低照度画像超解像(LLISR)は、照明条件が不十分な場合の視覚的細部と知覚的品質の回復に不可欠である。
本稿では、輝度とテクスチャを意味的に独立したコンポーネントに分離する新しい周波数認識フレームワークであるDecoupling then Perceive (DTP)を提案する。
最も広く使われているLLISRベンチマークの実験は、我々のDTPフレームワークの優位性を実証している。
- 参考スコア（独自算出の注目度）: 15.557346345104307
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Low-light image super-resolution (LLISR) is essential for restoring fine visual details and perceptual quality under insufficient illumination conditions with ubiquitous low-resolution devices. Although pioneer methods achieve high performance on single tasks, they solve both tasks in a serial manner, which inevitably leads to artifact amplification, texture suppression, and structural degradation. To address this, we propose Decoupling then Perceive (DTP), a novel frequency-aware framework that explicitly separates luminance and texture into semantically independent components, enabling specialized modeling and coherent reconstruction. Specifically, to adaptively separate the input into low-frequency luminance and high-frequency texture subspaces, we propose a Frequency-aware Structural Decoupling (FSD) mechanism, which lays a solid foundation for targeted representation learning and reconstruction. Based on the decoupled representation, a Semantics-specific Dual-path Representation (SDR) learning strategy that performs targeted enhancement and reconstruction for each frequency component is further designed, facilitating robust luminance adjustment and fine-grained texture recovery. To promote structural consistency and perceptual alignment in the reconstructed output, building upon this dual-path modeling, we further introduce a Cross-frequency Semantic Recomposition (CSR) module that selectively integrates the decoupled representations. Extensive experiments on the most widely used LLISR benchmarks demonstrate the superiority of our DTP framework, improving $+$1.6\% PSNR, $+$9.6\% SSIM, and $-$48\% LPIPS compared to the most state-of-the-art (SOTA) algorithm. Codes are released at https://github.com/JXVision/DTP.
- Abstract（参考訳）: 低照度画像超解像(LLISR)は、ユビキタス低解像度デバイスで照明条件が不十分な場合、視覚的細部と知覚的品質の回復に不可欠である。
先駆的な手法は1つのタスクで高い性能を達成するが、彼らは2つのタスクを連続的に解決し、必然的にアーティファクトの増幅、テクスチャの抑制、構造劣化につながる。
そこで我々はDTP(Decoupling then Perceive)を提案する。このフレームワークは、輝度とテクスチャを意味的に独立したコンポーネントに明確に分離し、特殊なモデリングとコヒーレントな再構築を可能にする。
具体的には、入力を低周波輝度と高周波テクスチャ部分空間に適応的に分離するために、ターゲット表現学習と再構成のための基盤となる周波数対応構造デカップリング(FSD)機構を提案する。
この分離表現に基づいて、各周波数成分に対する目標拡張と再構成を行うセマンティックス固有のデュアルパス表現(SDR)学習戦略をさらに設計し、頑健な輝度調整ときめ細かいテクスチャ回復を容易にする。
再構成された出力における構造的一貫性と知覚的アライメントを促進するために、この二重パスモデリングに基づいて、分離された表現を選択的に統合するクロス周波数セマンティック・リコンポジション(CSR)モジュールを導入する。
最も広く使用されているLLISRベンチマークの大規模な実験は、DTPフレームワークの優位性を実証し、最も最先端(SOTA)アルゴリズムと比較して、$+$1.6\% PSNR、$+$9.6\% SSIM、$-$48\% LPIPSを改善した。
コードはhttps://github.com/JXVision/DTPで公開されている。
関連論文リスト
- Generalized Synthetic Image Detection with Enhanced RGB-Noise Representation Learning [33.97020349697987]
本稿では,RGB-ノイズ表現学習によるロバスト検出を実現する新しい法医学フレームワーク RNSIDNet を提案する。
具体的には、注意修正されたCLIPバックボーンによって抽出されたグローバルRGBセマンティクスが、特徴量線形変調(FiLM)モジュールを介してベイア畳み込みによって捕捉される高周波ノイズアーティファクトを動的に変調するデュアルブランチアーキテクチャを用いる。
学習表現をさらに強化するため,我々は,Hard Sample-aware Contrastive Learning (HSCL) 戦略を設計する。
論文 参考訳（メタデータ） (2026-07-07T14:52:22Z) - Lighting-aware Unified Model for Instance Segmentation [12.511503644139369]
重いバックボーンを微調整することなくセグメンテーションロバスト性を高めるアダプタモジュールを開発した。
lcaは、コントラストマップと並行してRGB機能を処理するためにデュアルブランチアーキテクチャを採用し、物理的に動機付けされた構造変化に対する感度を可能にする。
本稿では、複雑な現実世界の照明条件を正確に再現するための新しいUnityベースの合成データセットを提案する。
論文 参考訳（メタデータ） (2026-05-19T19:35:51Z) - UHD Low-Light Image Enhancement via Real-Time Enhancement Methods with Clifford Information Fusion [51.51707075741303]
幾何学的特徴融合に基づく新しいリアルタイムUHD低照度拡張ネットワークを提案する。
本手法は,1台のコンシューマグレードデバイス上での4K/8K画像に対するミリ秒レベルの推論を実現する。
論文 参考訳（メタデータ） (2026-04-10T13:47:04Z) - Manifold-aware Representation Learning for Degradation-agnostic Image Restoration [135.90908995927194]
画像復元(IR)は、ノイズ、ぼかし、迷路、雨、低照度といった様々な汚職に影響を受ける劣化した入力から高品質な画像を復元することを目的としている。
我々は、入力特徴空間を3つのセマンティックに整列した並列分岐に明示的に分解する1つのIRにおいて、すべてに統一されたフレームワークであるMIRAGEを提案する。
このモジュラ分解は、多種多様な分解の一般化と効率を大幅に改善する。
論文 参考訳（メタデータ） (2025-05-24T12:52:10Z) - UnfoldIR: Rethinking Deep Unfolding Network in Illumination Degradation Image Restoration [33.290565892897824]
DUN(Deep Openfolding Network)は、照明劣化画像復元(IDIR)に広く利用されている。
IDIRタスクのための新しいDUNベースのUnfoldIRを提案する。
反射率支援照明補正(RAIC)モジュールと照明誘導反射率向上(IGRE)モジュールから構成される。
論文 参考訳（メタデータ） (2025-05-10T16:13:01Z) - FUSE: Label-Free Image-Event Joint Monocular Depth Estimation via Frequency-Decoupled Alignment and Degradation-Robust Fusion [92.4205087439928]
画像強調共同深度推定法は、頑健な知覚に相補的なモダリティを利用するが、一般化可能性の課題に直面している。
自己監督型転送(PST)と周波数デカップリング型フュージョンモジュール(FreDF)を提案する。
PSTは、画像基盤モデルとの遅延空間アライメントによるクロスモーダルな知識伝達を確立し、データ不足を効果的に軽減する。
FreDFは、低周波構造成分から高周波エッジ特性を明示的に分離し、モード比周波数ミスマッチを解消する。
この組み合わせのアプローチにより、FUSEはターゲットデータセットに対する軽量デコーダ適応のみを必要とするユニバーサルなイメージイベントを構築することができる。
論文 参考訳（メタデータ） (2025-03-25T15:04:53Z) - DLEN: Dual Branch of Transformer for Low-Light Image Enhancement in Dual Domains [0.0]
低照度画像強調(LLE)は、低照度条件下で撮影された画像の視覚的品質を改善することを目的としている。
これらの問題は、物体検出、顔認識、自律運転などのコンピュータビジョンタスクのパフォーマンスを妨げる。
本稿では,2つの異なる注意機構を組み込んだ新しいアーキテクチャであるDual Light Enhance Network(DLEN)を提案する。
論文 参考訳（メタデータ） (2025-01-21T15:58:16Z) - RISE-SDF: a Relightable Information-Shared Signed Distance Field for Glossy Object Inverse Rendering [26.988572852463815]
本稿では,新しいエンド・ツー・エンド・エンド・リライトブル・ニューラル・リバース・レンダリングシステムを提案する。
本アルゴリズムは,逆レンダリングとリライトにおける最先端性能を実現する。
実験により, 逆レンダリングおよびリライティングにおける最先端性能が得られた。
論文 参考訳（メタデータ） (2024-09-30T09:42:10Z) - 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) - 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) - Learning Detail-Structure Alternative Optimization for Blind
Super-Resolution [69.11604249813304]
そこで我々は,ブラインドSRに先立ってカーネルを曖昧にすることなく,再帰的な詳細構造代替最適化を実現する,有効かつカーネルフリーなネットワークDSSRを提案する。
DSSRでは、細部構造変調モジュール(DSMM)が構築され、画像の詳細と構造の相互作用と協調を利用する。
本手法は既存の手法に対して最先端の手法を実現する。
論文 参考訳（メタデータ） (2022-12-03T14:44:17Z) - Learning Deep Context-Sensitive Decomposition for Low-Light Image
Enhancement [58.72667941107544]
典型的なフレームワークは、照明と反射を同時に推定することであるが、特徴空間にカプセル化されたシーンレベルの文脈情報を無視する。
本研究では,空間スケールにおけるシーンレベルのコンテキスト依存を生かした,コンテキスト依存型分解ネットワークアーキテクチャを提案する。
チャネル数を減らして軽量なCSDNet(LiteCSDNet)を開発する。
論文 参考訳（メタデータ） (2021-12-09T06:25:30Z)
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。