論文の概要: OmniLight: One Model to Rule All Lighting Conditions
- arxiv url: http://arxiv.org/abs/2604.15170v1
- Date: Thu, 16 Apr 2026 15:47:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-17 21:29:31.991294
- Title: OmniLight: One Model to Rule All Lighting Conditions
- Title（参考訳）: OmniLight: すべての照明条件を規定する1つのモデル
- Authors: Youngjin Oh, Junyoung Park, Junhyeong Kwon, Nam Ik Cho,
- Abstract要約: 逆照明条件は、視界と色忠実度を劣化させることによってコンピュータビジョンシステムに重大な課題をもたらす。
本稿では,2つのコントラスト戦略を探索し,照明関連画像復元に関する総合的研究を行う。
照明関連画像復元における特殊・統一アーキテクチャの性能に及ぼすデータ分布の影響について検討する。
- 参考スコア（独自算出の注目度）: 20.84793675424915
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Adverse lighting conditions, such as cast shadows and irregular illumination, pose significant challenges to computer vision systems by degrading visibility and color fidelity. Consequently, effective shadow removal and ALN are critical for restoring underlying image content, improving perceptual quality, and facilitating robust performance in downstream tasks. However, while achieving state-of-the-art results on specific benchmarks is a primary goal in image restoration challenges, real-world applications often demand robust models capable of handling diverse domains. To address this, we present a comprehensive study on lighting-related image restoration by exploring two contrasting strategies. We leverage a robust framework for ALN, DINOLight, as a specialized baseline to exploit the characteristics of each individual dataset, and extend it to OmniLight, a generalized alternative incorporating our proposed Wavelet Domain Mixture-of-Experts (WD-MoE) that is trained across all provided datasets. Through a comparative analysis of these two methods, we discuss the impact of data distribution on the performance of specialized and unified architectures in lighting-related image restoration. Notably, both approaches secured top-tier rankings across all three lighting-related tracks in the NTIRE 2026 Challenge, demonstrating their outstanding perceptual quality and generalization capabilities. Our codes are available at https://github.com/OBAKSA/Lighting-Restoration.
- Abstract（参考訳）: キャストシャドウや不規則照明のような逆光条件は、可視性や色の忠実さを低下させることによってコンピュータビジョンシステムに重大な課題をもたらす。
その結果、効果的なシャドウ除去とALNは、基盤となるイメージコンテンツを復元し、知覚的品質を改善し、下流タスクにおける堅牢なパフォーマンスを促進するために重要である。
しかし、特定のベンチマークで最先端の結果を達成することは、画像復元の課題の主要な目標であるが、現実のアプリケーションは、しばしば多様なドメインを扱うことのできる堅牢なモデルを要求する。
そこで本研究では,2つのコントラスト戦略を探索し,照明関連画像復元に関する総合的研究を行った。
ALNの堅牢なフレームワークであるDINOLightを活用して、個々のデータセットの特性を活用するとともに、提案したWavelet Domain Mixture-of-Experts(WD-MoE)を組み込んだ汎用的な代替手段であるOmniLightに拡張し、すべてのデータセットをトレーニングします。
これら2つの手法の比較分析を通じて、照明関連画像復元における特殊・統一アーキテクチャの性能に及ぼすデータ分布の影響について考察する。
どちらのアプローチもNTIRE 2026 Challengeで3つの照明関連トラックの上位にランク付けし、その優れた品質と一般化能力を示した。
私たちのコードはhttps://github.com/OBAKSA/Lighting-Restoration.comで公開されています。
関連論文リスト
- PractiLight: Practical Light Control Using Foundational Diffusion Models [78.75949075070595]
PractiLightは、生成された画像における光制御の実践的なアプローチである。
私たちの重要な洞察は、画像内のライティング関係は、自己注意層におけるトークンの相互作用と本質的に類似しているということです。
我々は,パラメータとデータ効率が証明された品質と制御の観点から,最先端の性能を実証する。
論文 参考訳（メタデータ） (2025-09-01T23:38:40Z) - DIME-Net: A Dual-Illumination Adaptive Enhancement Network Based on Retinex and Mixture-of-Experts [7.6894262288762665]
本稿では,DIME-Netと呼ばれるデュアルイルミネーション向上フレームワークを提案する。
Retinex理論を統合することで、このモジュールは低照度画像とバックライト画像の両方に合わせた拡張を効果的に実行する。
DIME-Netは, 実世界の低照度データセットとバックライトデータセットの両方において, 再トレーニングを伴わずに, 競合性能を達成できることを示す。
論文 参考訳（メタデータ） (2025-08-19T15:17:47Z) - UniRelight: Learning Joint Decomposition and Synthesis for Video Relighting [85.27994475113056]
我々はアルベドを共同で推定し、単一のパスで信頼出力を合成する汎用的アプローチを導入する。
本モデルは,多様な領域にまたがる強力な一般化を示し,視覚的忠実度と時間的整合性の両方において,従来の手法を超越している。
論文 参考訳（メタデータ） (2025-06-18T17:56:45Z) - Bidirectional Image-Event Guided Fusion Framework for Low-Light Image Enhancement [24.5584423318892]
極端に低照度な条件下では、フレームベースのカメラは、ダイナミックレンジの制限により、細部が著しく失われる。
近年の研究では、イベント誘導型低照度画像強調のためのイベントカメラが導入されている。
低光画像強調のための双方向画像イベント誘導融合フレームワークBiLIEを提案する。
論文 参考訳（メタデータ） (2025-06-06T14:28:17Z) - ALEN: A Dual-Approach for Uniform and Non-Uniform Low-Light Image Enhancement [10.957431540794836]
不適切な照明は、情報損失や画質の低下を招き、監視などの様々な応用に影響を及ぼす可能性がある。
現在のエンハンスメント技術は、しばしば特定のデータセットを使用して低照度画像を強化するが、様々な現実世界の条件に適応する際の課題は残る。
アダプティブ・ライト・エンハンスメント・ネットワーク (ALEN) を導入し、その主なアプローチは、ローカル照明とグローバル照明の強化が必要であるかどうかを決定するための分類機構を使用することである。
論文 参考訳（メタデータ） (2024-07-29T05:19:23Z) - Improving Lens Flare Removal with General Purpose Pipeline and Multiple
Light Sources Recovery [69.71080926778413]
フレアアーティファクトは、画像の視覚的品質と下流のコンピュータビジョンタスクに影響を与える。
現在の方法では、画像信号処理パイプラインにおける自動露光やトーンマッピングは考慮されていない。
本稿では、ISPを再検討し、より信頼性の高い光源回収戦略を設計することで、レンズフレア除去性能を向上させるソリューションを提案する。
論文 参考訳（メタデータ） (2023-08-31T04:58:17Z) - Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。
これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。
まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。
次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
論文 参考訳（メタデータ） (2023-05-17T13:56:48Z) - Physically Inspired Dense Fusion Networks for Relighting [45.66699760138863]
物理的洞察でニューラルネットワークを豊かにするモデルを提案する。
2つの異なる戦略により、新しい照明設定でリライト画像を生成します。
提案手法は,よく知られた忠実度指標と知覚的損失の点で,最先端手法を上回ることができることを示す。
論文 参考訳（メタデータ） (2021-05-05T17:33:45Z)
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。