論文の概要: Multinex: Lightweight Low-light Image Enhancement via Multi-prior Retinex

• arxiv url: http://arxiv.org/abs/2604.10359v1
• Date: Sat, 11 Apr 2026 22:05:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.976954
• Title: Multinex: Lightweight Low-light Image Enhancement via Multi-prior Retinex
• Title（参考訳）: Multinex:Multi-prior Retinexによる軽量低照度画像強調
• Authors: Alexandru Brateanu, Tingting Mu, Codruta Ancuti, Cosmin Ancuti,
• Abstract要約: 低照度画像強調(LLIE)は、高輝度照明下での自然視認性、色彩の忠実度、構造的詳細性を回復することを目的としている。 最先端(SOTA)のLLIE技術は、しばしば大規模モデルとマルチステージトレーニングに依存し、エッジデプロイメントの実用性を制限する。 原理化されたRetinex残差定式化の中に複数のきめ細かい表現を統合する超軽量構造化フレームワークであるMultinexを提案する。
• 参考スコア（独自算出の注目度）: 46.02381412483169
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Low-light image enhancement (LLIE) aims to restore natural visibility, color fidelity, and structural detail under severe illumination degradation. State-of-the-art (SOTA) LLIE techniques often rely on large models and multi-stage training, limiting practicality for edge deployment. Moreover, their dependence on a single color space introduces instability and visible exposure or color artifacts. To address these, we propose Multinex, an ultra-lightweight structured framework that integrates multiple fine-grained representations within a principled Retinex residual formulation. It decomposes an image into illumination and color prior stacks derived from distinct analytic representations, and learns to fuse these representations into luminance and reflectance adjustments required to correct exposure. By prioritizing enhancement over reconstruction and exploiting lightweight neural operations, Multinex significantly reduces computational cost, exemplified by its lightweight (45K parameters) and nano (0.7K parameters) versions. Extensive benchmarks show that all lightweight variants significantly outperform their corresponding lightweight SOTA models, and reach comparable performance to heavy models. Paper page available at https://albrateanu.github.io/multinex.
• Abstract（参考訳）: 低照度画像強調(LLIE)は、高輝度照明下での自然視認性、色彩の忠実度、構造的詳細性を回復することを目的としている。 最先端(SOTA)のLLIE技術は、しばしば大規模モデルとマルチステージトレーニングに依存し、エッジデプロイメントの実用性を制限する。 さらに、単一の色空間への依存は不安定性や目に見える露出、色アーティファクトをもたらす。 これらの問題に対処するために,原理化されたRetinex残差定式化の中に複数のきめ細かな表現を統合する超軽量構造化フレームワークであるMultinexを提案する。 画像は、異なる解析的表現から導かれる照明と色の前のスタックに分解され、これらの表現を光度と反射率の調整に融合させることを学ぶ。 再構築よりも強化を優先し、軽量なニューラル操作を活用することで、Multinexは計算コストを大幅に削減し、軽量(45Kパラメータ)とナノ(0.7Kパラメータ)のバージョンで例示される。 大規模なベンチマークでは、すべての軽量変種が対応する軽量SOTAモデルよりも大幅に優れており、重モデルに匹敵する性能に達することが示されている。 Paper page available at https://albrateanu.github.io/multinex.com

関連論文リスト

• After the Party: Navigating the Mapping From Color to Ambient Lighting [48.01497878412971]
  CL3ANは,この種の大規模かつ高解像度なデータセットである。 先導的なアプローチは、照明の不整合、テクスチャリーク、色歪みなどのアーティファクトをしばしば生み出す。 我々は、新しい学習フレームワークを通じて、そのような所望の分解を実現する。
  論文  参考訳（メタデータ） (2025-08-04T08:07:03Z)
• Nonlocal Retinex-Based Variational Model and its Deep Unfolding Twin for Low-Light Image Enhancement [3.174882428337821]
  本稿では,Retinex分解に基づく低照度画像強調のための変分法を提案する。 低照度画像に色補正前処理ステップを適用し、分解時に観察された入力として使用する。 我々は、演算子を学習可能なネットワークに置き換える深層展開モデルを導入することにより、モデルを拡張する。
  論文  参考訳（メタデータ） (2025-04-10T14:48:26Z)
• RelitLRM: Generative Relightable Radiance for Large Reconstruction Models [52.672706620003765]
  本稿では,新しい照明下での3Dオブジェクトの高品質なガウススプレイティング表現を生成するためのRelitLRMを提案する。 複雑なキャプチャと遅い最適化を必要とする従来の逆レンダリングとは異なり、RelitLRMはフィードフォワードトランスフォーマーベースのモデルを採用している。 スパースビューフィードフォワードRelitLRMは、最先端の密集ビュー最適化ベースラインに対して、競争力のあるリライティング結果を提供する。
  論文  参考訳（メタデータ） (2024-10-08T17:40:01Z)
• TensoIR: Tensorial Inverse Rendering [51.57268311847087]
  テンソルIRはテンソル分解とニューラルフィールドに基づく新しい逆レンダリング手法である。 TensoRFは、放射場モデリングのための最先端のアプローチである。
  論文  参考訳（メタデータ） (2023-04-24T21:39:13Z)
• 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)

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。