論文の概要: SIMI: Self-information Mining Network for Low-light Image Enhancement

• arxiv url: http://arxiv.org/abs/2605.07767v1
• Date: Fri, 08 May 2026 14:08:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:39.097843
• Title: SIMI: Self-information Mining Network for Low-light Image Enhancement
• Title（参考訳）: SIMI:低照度画像強調のための自己情報マイニングネットワーク
• Authors: Xuanshuo Fu, Lei Kang, Javier Vazquez-Corral,
• Abstract要約: 暗い照明条件は画質に大きく影響し、画像編集と視覚化に重大な課題を生んでいる。 我々は,低照度画像をビット平面分解に基づいて複数の成分に分解する自己情報マイニング(SIMI)ネットワークを提案する。
• 参考スコア（独自算出の注目度）: 13.688097246812042
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Poor lighting conditions significantly impact image quality, posing substantial challenges for image editing and visualization. Many existing enhancement methods aim at proposing complex models while neglecting the intrinsic information contained within low-light images. In this work, we propose the Self-Information Mining (SIMI) network, an innovative unsupervised framework that decomposes low-light images into multiple components based on bit-plane decomposition. Our approach allows mining intrinsic information without relying on external data. This not only accelerates model convergence but also improves performance and reduces computational overhead. The unsupervised nature of our method facilitates real-world applicability. Experiments conducted on standard benchmarks demonstrate that SIMI achieves state-of-the-art performance.
• Abstract（参考訳）: 暗い照明条件は画質に大きく影響し、画像編集と視覚化に重大な課題を生んでいる。 既存の拡張手法の多くは、低照度画像に含まれる本質的な情報を無視しながら、複雑なモデルを提案することを目的としている。 本研究では,低照度画像をビットプレーン分解に基づいて複数のコンポーネントに分解する,革新的な非教師付きフレームワークである自己情報マイニング(SIMI)ネットワークを提案する。 当社のアプローチは、外部データに頼ることなく、本質的な情報をマイニングすることを可能にする。 これはモデル収束を加速するだけでなく、パフォーマンスを改善し、計算オーバーヘッドを低減する。 本手法の教師なしの性質は,実世界の適用性を促進する。 標準ベンチマークで行った実験は、SIMIが最先端のパフォーマンスを達成することを示した。

関連論文リスト

• DarkShot: Lighting Dark Images with Low-Compute and High-Quality [11.256790804961563]
  本稿では,従来のSOTA(State-of-the-art)手法を低照度拡張タスクで上回る軽量ネットワークを提案する。 我々のモデルは、SOTAの復元品質を維持しながら、最小限の計算でUHD 4K解像度画像を復元することができる。
  論文  参考訳（メタデータ） (2023-12-28T03:26:50Z)
• LDM-ISP: Enhancing Neural ISP for Low Light with Latent Diffusion Models [54.93010869546011]
  本稿では,事前学習した潜伏拡散モデルを用いて,超低照度画像の高精細化のためのニューラルISPを実現することを提案する。 具体的には、RAWドメイン上で動作するために事前訓練された潜在拡散モデルを調整するために、軽量なテーミングモジュールのセットをトレーニングする。 遅延拡散モデルにおけるUNet復調と復号化の異なる役割を観察し、低照度画像強調タスクを遅延空間低周波コンテンツ生成と復号位相高周波ディテール保守に分解するきっかけとなる。
  論文  参考訳（メタデータ） (2023-12-02T04:31:51Z)
• 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)
• SCRNet: a Retinex Structure-based Low-light Enhancement Model Guided by Spatial Consistency [22.54951703413469]
  本稿では,SCRNet(Spatial Consistency Retinex Network)と呼ばれる,新しい低照度画像強調モデルを提案する。 提案モデルでは, 空間的整合性の原理に着想を得て, チャネルレベル, セマンティックレベル, テクスチャレベルという3つのレベルの整合性を考慮した。 様々な低照度画像データセットに対する広範囲な評価は、提案したSCRNetが既存の最先端手法より優れていることを示している。
  論文  参考訳（メタデータ） (2023-05-14T03:32:19Z)
• Toward Fast, Flexible, and Robust Low-Light Image Enhancement [87.27326390675155]
  我々は、現実の低照度シナリオにおいて、高速でフレキシブルで頑健な鮮明化のための新しい自己校正イルミネーション(SCI)学習フレームワークを開発した。 カスケードパターンの計算負担を考慮すると、各ステージの結果の収束を実現する自己校正モジュールを構築する。 我々は,SCI固有の特性について,操作不感適応性やモデル非関係の一般性を含む包括的探索を行う。
  論文  参考訳（メタデータ） (2022-04-21T14:40:32Z)
• Semi-supervised atmospheric component learning in low-light image problem [0.0]
  環境照明条件は、写真装置から画像の知覚的品質を決定する上で重要な役割を担っている。 本研究では,低照度画像復元のための非参照画像品質指標を用いた半教師付きトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-04-15T17:06:33Z)
• Retinex-inspired Unrolling with Cooperative Prior Architecture Search for Low-light Image Enhancement [58.72667941107544]
  低照度画像のための軽量で効果的な拡張ネットワークを構築するために,Retinex-inspired Unrolling with Architecture Search (RUAS)を提案する。 RUASは、高速かつ少ない計算リソースで、最高性能の画像強化ネットワークを得ることができます。
  論文  参考訳（メタデータ） (2020-12-10T11:51:23Z)
• 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。