論文の概要: BFORE: Butterfly-Firefly Optimized Retinex Enhancement for Low-Light Image Quality Improvement
- arxiv url: http://arxiv.org/abs/2605.03509v1
- Date: Tue, 05 May 2026 08:43:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-06 19:35:43.850258
- Title: BFORE: Butterfly-Firefly Optimized Retinex Enhancement for Low-Light Image Quality Improvement
- Title（参考訳）: BFORE:Butterfly-Firefly最適化網膜の低照度画質向上
- Authors: Ahmed Cherif,
- Abstract要約: 既存のRetinexベースの手法は、様々な照明条件にまたがる一般化に失敗する手動調整パラメータに依存している。
本稿では、Retinexベースのパイプラインのパラメータを自動的に調整するハイブリッドメタヒューリスティック最適化フレームワークであるBFOREを提案する。
BFOREは最も自然にバランスのとれた平均輝度(129.97)を生成し、理想的な中音の値に最も近い。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Low-light image enhancement is a fundamental challenge in computer vision and multimedia applications, as images captured under insufficient illumination suffer from poor visibility, low contrast, and color distortion. Existing Retinex-based methods rely on manually tuned parameters that fail to generalize across diverse lighting conditions. This paper proposes BFORE (Butterfly-Firefly Optimized Retinex Enhancement), a novel hybrid metaheuristic-optimized framework that automatically tunes the parameters of a multi-stage Retinex-based pipeline. The proposed method converts the input image to HSV color space and applies Adaptive Gamma Correction with Weighted Distribution (AGCWD) to the luminance channel, followed by adaptive denoising. A Butterfly Optimization Algorithm (BOA) optimizes the Multi-Scale Retinex with Color Restoration (MSRCR) parameters, while a Firefly Algorithm (FA) optimizes the AGCWD and denoising parameters. A hybrid BOA-FA switching strategy dynamically balances global exploration and local exploitation. Experimental evaluation on the LOL benchmark dataset (15 paired test images) demonstrates that BFORE achieves the highest PSNR (17.22 dB) among all traditional enhancement methods, with 20.3% improvement over Histogram Equalization and 17.5% over MSRCR. BFORE produces the most naturally balanced mean brightness (129.97), closest to the ideal mid-tone value. Notably, BFORE outperforms RetinexNet -- a deep learning baseline -- in both PSNR (17.22 vs. 16.77 dB) and SSIM (0.5417 vs. 0.4252) without requiring any training data. The hybrid BOA-FA optimization contributes a 12.3% PSNR improvement and 14.8% SSIM improvement over the unoptimized pipeline.
- Abstract（参考訳）: 低照度画像の強調はコンピュータビジョンやマルチメディアアプリケーションにおいて基本的な課題であり、照明不足下で撮影された画像は視認性、コントラストの低さ、色歪みに悩まされている。
既存のRetinexベースの手法は、様々な照明条件にまたがる一般化に失敗する手動調整パラメータに依存している。
本稿では,BFORE(Butterfly-Firefly Optimized Retinex Enhancement)を提案する。
提案手法は,入力画像からHSV色空間に変換し,AGCWD(Adaptive Gamma Correction with Weighted Distribution)を輝度チャネルに適用し,次に適応デノイングを行う。
バタフライ最適化アルゴリズム(BOA)は色復元パラメータ付きマルチスケールレチネックス(MSRCR)を最適化し、ファイアフライアルゴリズム(FA)はAGCWDとdenoisingパラメータを最適化する。
ハイブリッドBOA-FAスイッチング戦略は、グローバルな探索と局所的な利用を動的にバランスさせる。
LOLベンチマークデータセット(15対のテスト画像)の実験評価では、BFOREはすべての従来の拡張手法の中で最も高いPSNR (17.22 dB)を達成しており、ヒストグラム等化よりも20.3%、MSRCRより17.5%改善している。
BFOREは最も自然にバランスのとれた平均輝度(129.97)を生成し、理想的な中音の値に最も近い。
特に、BFOREは、トレーニングデータを必要としないPSNR (17.22 vs. 16.77 dB)とSSIM (0.5417 vs. 0.4252)において、ディープラーニングベースラインであるRetinexNetよりも優れている。
ハイブリッドBOA-FA最適化は、最適化されていないパイプラインに対して12.3%のPSNR改善と14.8%のSSIM改善をもたらす。
関連論文リスト
- FLARE-BO: Fused Luminance and Adaptive Retinex Enhancement via Bayesian Optimisation for Low-Light Robotic Vision [3.490087692799367]
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。
論文 参考訳（メタデータ） (2026-04-23T21:51:22Z) - GSTurb: Gaussian Splatting for Atmospheric Turbulence Mitigation [4.479376052925207]
大気の乱流は、特に長距離イメージングの用途において、ピクセルの変位(チルト)とぼやけによる画像劣化を引き起こす。
我々は,光流誘導型傾き補正とガウススプラッティングを統合した大気乱流緩和フレームワークGSTurbを提案する。
論文 参考訳（メタデータ） (2026-02-26T09:37:27Z) - Genetic Algorithms For Parameter Optimization for Disparity Map Generation of Radiata Pine Branch Images [5.266753902938501]
UAVアプリケーションのための遺伝的アルゴリズム(GA)に基づくパラメータ最適化フレームワークを提案する。
コントリビューションには,(1)手動チューニングを排除した新しいGAベースのパラメータ最適化フレームワーク,(2)複数の画像品質指標を用いた総合評価手法,(3)資源制約付きUAVシステムのための実用的なソリューションなどが含まれている。
実験の結果,GA最適化手法により平均正方形誤差が42.86%減少し,ピーク信号対雑音比が8.47%,構造類似度が28.52%増加した。
論文 参考訳（メタデータ） (2025-12-05T04:00:18Z) - Adaptive Parameter Optimization for Robust Remote Photoplethysmography [17.439033592683835]
投影型信号混合(PRISM)は教師なし手法の最先端性能を実現する。
これにより、適応時系列最適化は様々な条件でrを著しく改善する。
論文 参考訳（メタデータ） (2025-11-26T20:45:09Z) - Optimized Pap Smear Image Enhancement: Hybrid PMD Filter-CLAHE Using Spider Monkey Optimization [0.0]
そこで本研究では,パップスミア画像の品質向上に最適化されたハイブリッド手法を提案する。
クモ猿最適化(SMO PMD-CLAHE)を用いたハイブリッド手法の最適化
提案手法は,5.45のEME,60.45のRMS,0.995のMC,6.80のエントロピーを平均的に評価した。
論文 参考訳（メタデータ） (2025-02-21T02:34:57Z) - 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) - Unveiling Advanced Frequency Disentanglement Paradigm for Low-Light Image Enhancement [61.22119364400268]
周波数不整合最適化を改良した新しい低周波整合性手法を提案する。
注目すべき改善点は5つの人気のあるベンチマークで示されており、6つの最先端モデルで達成されたPSNRの7.68dBのゲインである。
提案手法は,88K余剰パラメータで効率を保ち,低照度画像強調の挑戦的な領域に新たな標準を設定する。
論文 参考訳（メタデータ） (2024-09-03T06:19:03Z) - DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image
Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。
従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。
提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文 参考訳（メタデータ） (2023-12-12T06:07:21Z) - 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) - Universal and Flexible Optical Aberration Correction Using Deep-Prior
Based Deconvolution [51.274657266928315]
そこで本研究では,収差画像とpsfマップを入力とし,レンズ固有深層プリエントを組み込んだ潜在高品質版を生成する,psf対応プラグイン・アンド・プレイ深層ネットワークを提案する。
具体的には、多彩なレンズの集合からベースモデルを事前訓練し、パラメータを迅速に精製して特定のレンズに適応させる。
論文 参考訳（メタデータ） (2021-04-07T12:00:38Z)
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。