論文の概要: Rethinking Exposure Correction for Spatially Non-uniform Degradation

• arxiv url: http://arxiv.org/abs/2604.04136v1
• Date: Sun, 05 Apr 2026 14:41:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.939129
• Title: Rethinking Exposure Correction for Spatially Non-uniform Degradation
• Title（参考訳）: 空間的非一様劣化に対する露出補正の再考
• Authors: Ao Li, Jiawei Sun, Le Dong, Zhenyu Wang, Weisheng Dong,
• Abstract要約: 空間的非均一性のための新しい露出補正パラダイムを提案する。 具体的には,空間適応変調重みを予測するための空間信号を導入する。 本手法は,最先端手法と比較して質的,定量的な性能に優れる。
• 参考スコア（独自算出の注目度）: 41.78840354779858
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world exposure correction is fundamentally challenged by spatially non-uniform degradations, where diverse exposure errors frequently coexist within a single image. However, existing exposure correction methods are still largely developed under a predominantly uniform assumption. Architecturally, they typically rely on globally aggregated modulation signals that capture only the overall exposure trend. From the optimization perspective, conventional reconstruction losses are usually derived under a shared global scale, thus overlooking the spatially varying correction demands across regions. To address these limitations, we propose a new exposure correction paradigm explicitly designed for spatial non-uniformity. Specifically, we introduce a Spatial Signal Encoder to predict spatially adaptive modulation weights, which are used to guide multiple look-up tables for image transformation, together with an HSL-based compensation module for improved color fidelity. Beyond the architectural design, we propose an uncertainty-inspired non-uniform loss that dynamically allocates the optimization focus based on local restoration uncertainties, better matching the heterogeneous nature of real-world exposure errors. Extensive experiments demonstrate that our method achieves superior qualitative and quantitative performance compared with state-of-the-art methods. Code is available at https://github.com/FALALAS/rethinkingEC.
• Abstract（参考訳）: 実世界の露光補正は、空間的に一様でない劣化によって基本的には困難であり、多様な露光誤差は単一の画像内で頻繁に共存する。 しかし、既存の露光補正法は、主に均一な仮定の下で開発されている。 アーキテクチャ的には、それらは一般的に、全体的な露出傾向のみをキャプチャするグローバル集約変調信号に依存します。 最適化の観点からは、従来の再建損失は通常、共有グローバルスケールで引き起こされるため、地域によって空間的に異なる補正要求を見越すことができる。 これらの制約に対処するために,空間的非均一性のために明示的に設計された新しい露光補正パラダイムを提案する。 具体的には、画像変換のための複数のルックアップテーブルを誘導するために使用される空間適応変調重みを予測する空間信号エンコーダと、色忠実度を改善するためのHSLベースの補償モジュールを紹介する。 アーキテクチャ設計の他に,局所的な復元の不確実性に基づいて最適化の焦点を動的に割り当てる不均一な非一様損失を提案する。 実験により,本手法は最先端の手法と比較して質的,定量的な性能が優れていることを示した。 コードはhttps://github.com/FALALAS/rethinkingECで入手できる。

関連論文リスト

• Architectural Unification for Polarimetric Imaging Across Multiple Degradations [54.83037963738918]
  複数の劣化シナリオにまたがって構造的に共有される偏光イメージングのための統一的なアーキテクチャフレームワークを提案する。 このモデルは、単一ステージのジョイントイメージ・ストークス処理を実行し、エラーの蓄積を回避し、物理的一貫性を明示的に保持する。
  論文  参考訳（メタデータ） (2026-03-06T02:38:57Z)
• SHARE: A Fully Unsupervised Framework for Single Hyperspectral Image Restoration [9.908527979711902]
  ハイパースペクトル画像(HSI)の復元は、計算画像とコンピュータビジョンの基本的な課題である。 本稿では、低ランクスペクトルモデリングと幾何同値原理を統一する、完全に教師なしのフレームワークであるSHAREを提案する。 提案手法は最先端の教師なし手法よりも優れており,教師付き手法に匹敵する性能を実現している。
  論文  参考訳（メタデータ） (2026-01-20T14:01:13Z)
• Total Variation Subgradient Guided Image Fusion for Dual-Camera CASSI System [3.414706880536149]
  分光画像技術は、スペクトル、空間、時間分解能のバランスをとる上で、長年にわたって根本的な課題に直面してきた。 従来のモデルベースの手法は、手作りの固有の画像に頼っているため、限られた性能を示す。 本稿では,全変動(TV)下降理論を統合したデュアルカメラCASSI再構成フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-13T16:57:06Z)
• Depth-Aware Super-Resolution via Distance-Adaptive Variational Formulation [5.1767204510818985]
  単一画像超解像は伝統的に空間的不変な劣化モデルを想定している。 実世界のイメージングシステムは、大気散乱、深度の変化、視点歪みなどの複雑な距離依存効果を示す。 空間的に変化する逆問題として超解像を特徴付ける厳密な変分フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-06T15:35:37Z)
• Degradation-Consistent Learning via Bidirectional Diffusion for Low-Light Image Enhancement [15.619960776528362]
  低照度画像強調は、劣化した画像の視認性を改善し、人間の視覚的知覚とよりよく一致させることを目的としている。 本稿では,低照度画像と通常照度画像の両方の劣化過程を共同でモデル化する双方向拡散最適化機構を提案する。 本手法は,定量評価と定性評価の両方において最先端の手法より優れている。
  論文  参考訳（メタデータ） (2025-07-24T07:21:23Z)
• 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)
• Interpretable Unsupervised Joint Denoising and Enhancement for Real-World low-light Scenarios [18.622785498617223]
  本稿では,現実のシナリオに適した,解釈可能でゼロ参照のジョイント denoising と低照度拡張フレームワークを提案する。 提案手法は,照明レベルと騒音レベルが異なるペアサブイメージに基づくトレーニング戦略を導出する。 バックボーンネットワークの設計において、暗黙の劣化表現機構によって導かれる網膜分解ネットワークを開発する。
  論文  参考訳（メタデータ） (2025-03-17T12:08:52Z)
• Crafting Training Degradation Distribution for the Accuracy-Generalization Trade-off in Real-World Super-Resolution [53.0437282872811]
  そこで本研究では,少数の参照画像を用いたクラフトトレーニング劣化分布の新しい手法を提案する。 提案手法は,実世界のアプリケーションにおける一般化能力を保ちながら,テスト画像の性能を著しく向上することを示す。
  論文  参考訳（メタデータ） (2023-05-29T14:22:48Z)

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。