論文の概要: Lightweight Low-Light Image Enhancement via Distribution-Normalizing Preprocessing and Depthwise U-Net
- arxiv url: http://arxiv.org/abs/2604.11071v2
- Date: Tue, 14 Apr 2026 08:15:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-15 14:01:13.42624
- Title: Lightweight Low-Light Image Enhancement via Distribution-Normalizing Preprocessing and Depthwise U-Net
- Title（参考訳）: 分散Normalizing前処理と奥行きU-Netによる軽量低光画像強調
- Authors: Shimon Murai, Teppei Kurita, Ryuta Satoh, Yusuke Moriuchi,
- Abstract要約: 低照度画像強調のための軽量2段階フレームワーク(LLIE)を提案する。
提案手法は, 凍結アルゴリズムに基づく前処理と, 奥行き分離可能な畳み込みから構築したコンパクトなU-Netを組み合わせる。
- 参考スコア（独自算出の注目度）: 1.7538239416032377
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a lightweight two-stage framework for low-light image enhancement (LLIE) that achieves competitive perceptual quality with significantly fewer parameters than existing methods. Our approach combines frozen algorithm-based preprocessing with a compact U-Net built entirely from depthwise-separable convolutions. The preprocessing normalizes the input distribution by providing complementary brightness-corrected views, enabling the trainable network to focus on residual color correction. Our method achieved 4th place in the CVPR 2026 NTIRE Efficient Low-Light Image Enhancement Challenge. We further provide extended benchmarks and ablations to demonstrate the general effectiveness of our methods.
- Abstract（参考訳）: 低照度画像強調(LLIE)のための軽量な2段階フレームワークを提案する。
提案手法は, 凍結アルゴリズムに基づく前処理と, 奥行き分離可能な畳み込みから構築したコンパクトなU-Netを組み合わせる。
前処理は、補完的な明るさ補正ビューを提供することで入力分布を正規化し、トレーニング可能なネットワークが残色補正に集中できるようにする。
CVPR 2026 NTIRE高効率低光画像強調チャレンジで4位となった。
さらに,提案手法の汎用性を示すため,拡張ベンチマークやアブリゲーションも提供する。
関連論文リスト
- Brightness Perceiving for Recursive Low-Light Image Enhancement [8.926230015423624]
本稿では,高ダイナミックレンジ低照度画像強調のための輝度知覚に基づくフレームワークを提案する。
アダプティブ・コントラストとテクスチャ・エンハンスメント・ネットワーク(ACT-Net)とブライトネス・パーセプション・ネットワーク(BP-Net)の2つの並列サブネットワークで構成されている。
提案手法は,既存の11種類の代表法と比較し,参照基準と参照基準を含まない新しいSOTA性能を実現する。
論文 参考訳（メタデータ） (2025-04-03T07:53:33Z) - Zero-Shot Low Light Image Enhancement with Diffusion Prior [2.102429358229889]
低照度画像強調(LLIE)のための「フリーランチ」ソリューション
我々は、事前訓練されたテキスト・画像の拡散を利用して、大量の自然画像の収集とモデル自体に存在する特徴を学習し、推論を導出する。
論文 参考訳（メタデータ） (2024-12-18T00:31:18Z) - Learning Efficient and Effective Trajectories for Differential Equation-based Image Restoration [59.744840744491945]
本稿では, この手法の軌道最適化を改良し, 復元品質と効率の両立に焦点をあてる。
反復サンプリングに伴うかなりの計算負担を軽減するため,コストを考慮したトラジェクトリー蒸留法を提案する。
提案アルゴリズムを用いて基礎拡散モデル(FLUX)を12Bパラメータで微調整し、7種類の画像復元タスクを処理する統一的なフレームワークを作成する。
論文 参考訳（メタデータ） (2024-10-07T07:46:08Z) - Unsupervised Low-light Image Enhancement with Lookup Tables and Diffusion Priors [38.96909959677438]
低照度画像強調(LIE)は、低照度環境において劣化した画像を高精度かつ効率的に回収することを目的としている。
近年の先進的なLIE技術は、多くの低正規の光画像対、ネットワークパラメータ、計算資源を必要とするディープニューラルネットワークを使用している。
拡散先行とルックアップテーブルに基づく新しい非教師付きLIEフレームワークを考案し,低照度画像の効率的な回復を実現する。
論文 参考訳（メタデータ） (2024-09-27T16:37:27Z) - Dimma: Semi-supervised Low Light Image Enhancement with Adaptive Dimming [0.728258471592763]
自然色を維持しながら低照度画像を強調することは、カメラ処理のバリエーションによって難しい問題である。
そこで我々はDimmaを提案する。Dimmaは、画像対の小さなセットを利用して、任意のカメラと整合する半教師付きアプローチである。
そこで我々は,照明の違いに基づいて,シーンの歪み色を生成する畳み込み混合密度ネットワークを導入することで実現した。
論文 参考訳（メタデータ） (2023-10-14T17:59:46Z) - LUT-GCE: Lookup Table Global Curve Estimation for Fast Low-light Image
Enhancement [62.17015413594777]
LUT-GCEという低照度画像強調のための効果的かつ効率的な手法を提案する。
画像全体に対する大域的な曲線を推定し、被曝と過剰露光の両方の補正を可能にする。
我々のアプローチは、特に高精細画像(例えば1080pと4k)において、推論速度の観点から、技術の現状よりも優れています。
論文 参考訳（メタデータ） (2023-06-12T12:53:06Z) - Low-light Image Enhancement by Retinex Based Algorithm Unrolling and
Adjustment [50.13230641857892]
本稿では,低照度画像強調(LIE)問題に対する新たなディープラーニングフレームワークを提案する。
提案フレームワークは,大域的明るさと局所的明るさ感度の両方を考慮したアルゴリズムアンロールと調整ネットワークに着想を得た分解ネットワークを含む。
一連の典型的なLIEデータセットの実験では,既存の手法と比較して,定量的かつ視覚的に,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2022-02-12T03:59:38Z) - Unsupervised Low-light Image Enhancement with Decoupled Networks [103.74355338972123]
我々は、実世界の低照度画像を教師なしで拡張する2段階のGANベースのフレームワークを学習する。
提案手法は,照度向上と雑音低減の両面から,最先端の教師なし画像強調法より優れる。
論文 参考訳（メタデータ） (2020-05-06T13:37:08Z)
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。