論文の概要: FLARE-BO: Fused Luminance and Adaptive Retinex Enhancement via Bayesian Optimisation for Low-Light Robotic Vision

• arxiv url: http://arxiv.org/abs/2604.22093v1
• Date: Thu, 23 Apr 2026 21:51:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.277885
• Title: FLARE-BO: Fused Luminance and Adaptive Retinex Enhancement via Bayesian Optimisation for Low-Light Robotic Vision
• Title（参考訳）: FLARE-BO:低照度ロボットビジョンのためのベイズ最適化による融合輝度と適応網膜強調
• Authors: Nathan Shankar, Pawel Ladosz, Hujun Yin,
• Abstract要約: 本稿では, ガンマ補正, LIMEスタイルの照明正規化, クロミナンス・デノナイジング, 両側フィルタリング, NLMデノナイジング, グレイワールド自動ホワイトバランス, 適応ポストスムーシングにまたがる8つのパラメータを共同で最適化するフレームワークであるFLARE-BOを提案する。 その結果、提案手法は、このデータセットを用いて特に訓練されていない既存の手法よりも大幅に改善された。
• 参考スコア（独自算出の注目度）: 3.490087692799367
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable visual perception under low illumination remains a core challenge for autonomous robotic systems, where degraded image quality directly compromises navigation, inspection, and various operations. A recent training free approach showed that Bayesian optimisation with Gaussian Processes can adaptively select brightness, contrast, and denoising parameters on a per-image basis, achieving competitive enhancement without any learned model. However, that framework is limited to three parameters, applies no illumination decomposition or white balance correction, and relies on Non-Local Means denoising, which tends to over smooth edges under noisy conditions. This paper proposes FLARE-BO (Fused Luminance and Adaptive Retinex Enhancement via Bayesian Optimisation), an extended framework that jointly optimises eight parameters spanning across gamma correction, LIME-style illumination normalisation, chrominance denoising, bilateral filtering, NLM denoising, Grey-World automatic white balance, and adaptive post smoothing. The search engine employs a unit hypercube parameter normalisation, objective standardisation, Sobol quasi-random initialisation, and Log Expected Improvement acquisition for principled exploration of the expanded space. Performance of the proposed method is benchmarked using the Low Light paired dataset (LOL) and results show marked improvements of the proposed method over existing methods that were not specifically trained using this dataset.
• Abstract（参考訳）: 低照度下での信頼性の高い視覚認識は、画像品質の劣化がナビゲーション、検査、各種操作を直接的に損なう自律ロボットシステムにとって、依然として中心的な課題である。 最近の学習自由アプローチでは、ガウス過程によるベイズ最適化は、画像ごとに明るさ、コントラスト、および騒音パラメータを適応的に選択でき、学習モデルなしで競争力を高めることができることを示した。 しかし、このフレームワークは3つのパラメータに制限されており、照明分解やホワイトバランス補正は適用せず、ノイズの多い条件下では滑らかなエッジを超越する非局所的な平均化に依存している。 本稿では,FLARE-BO(Fused Luminance and Adaptive Retinex Enhancement via Bayesian Optimisation)を提案する。このフレームワークは,ガンマ補正,LIMEスタイルの照明正規化,色分解,NLMデノイング,Grey-World自動ホワイトバランス,アダプティブポストスムースティングにまたがる8つのパラメータを共同で最適化するフレームワークである。 検索エンジンは、単位ハイパーキューブパラメータの正規化、客観的標準化、ソボル準ランダム初期化、および拡張空間の原理的探索のためのログ期待改善獲得を利用する。 提案手法の性能は,Low Light paired dataset (LOL) を用いてベンチマークし,提案手法を既存の手法よりも大幅に改善したことを示す。

関連論文リスト

• Towards Controllable Low-Light Image Enhancement: A Continuous Multi-illumination Dataset and Efficient State Space Framework [2.977173671229414]
  Light100 がサポートする総合的なフレームワークである Controllable Low-light Enhancement (CLE) を導入する。 輝度制御と色度との矛盾を解決するため、ノイズ分離型監視戦略を採用する。 提案手法は,実世界のマルチイルミネーション代替品として,競争性能とロバストな制御性を実現する。
  論文  参考訳（メタデータ） (2026-03-26T10:40:08Z)
• Unifying Color and Lightness Correction with View-Adaptive Curve Adjustment for Robust 3D Novel View Synthesis [73.27997579020233]
  多様な照明条件下での堅牢なNVSのための3DGSベースのフレームワークであるLuminance-GS++を提案する。 本手法は,グローバルな視野適応光度調整と局所画素ワイド残差補正を組み合わせ,正確な色補正を行う。
  論文  参考訳（メタデータ） (2026-02-20T16:20:50Z)
• SAIGFormer: A Spatially-Adaptive Illumination-Guided Network for Low-Light Image Enhancement [58.79901582809091]
  近年, トランスフォーマーを用いた低照度化手法は, 世界照明の回復に有望な進展をもたらした。 近年, トランスフォーマーを用いた低照度化手法は, 世界照明の回復に有望な進展をもたらした。 正確な照明復元を可能にする空間適応照明誘導変圧器フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-21T11:38:56Z)
• LL-Gaussian: Low-Light Scene Reconstruction and Enhancement via Gaussian Splatting for Novel View Synthesis [17.470869402542533]
  低照度シーンにおける新しいビュー合成(NVS)は、劣化した入力のために重要な課題である。 低照度sRGB画像からの3次元再構成と拡張のための新しいフレームワークであるLL-Gaussianを提案する。 最先端のNeRFベースの手法と比較して、LL-Gaussianは最大2000倍高速な推論を実現し、トレーニング時間を2%に短縮する。
  論文  参考訳（メタデータ） (2025-04-14T15:39:31Z)
• 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)
• 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)
• Cycle-Interactive Generative Adversarial Network for Robust Unsupervised Low-Light Enhancement [109.335317310485]
  CIGAN(Cycle-Interactive Generative Adversarial Network)は、低照度画像間の照明分布の転送を改善できるだけでなく、詳細な信号も操作できる。 特に、提案した低照度誘導変換は、低照度GAN生成器から劣化GAN生成器へ、低照度画像の特徴をフォワードする。
  論文  参考訳（メタデータ） (2022-07-03T06:37:46Z)
• CERL: A Unified Optimization Framework for Light Enhancement with Realistic Noise [81.47026986488638]
  現実世界で撮影された低照度画像は、センサーノイズによって必然的に破損する。 既存の光強調法は、拡張中の現実世界のノイズの重要な影響を見落としているか、ノイズ除去を別の前処理または後処理のステップとして扱うかのどちらかである。 実世界の低照度雑音画像(CERL)のコーディネート・エンハンスメントを行い,光強調部と雑音抑制部を一体化・物理接地したフレームワークにシームレスに統合する。
  論文  参考訳（メタデータ） (2021-08-01T15:31:15Z)

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。