論文の概要: M2Retinexformer: Multi-Modal Retinexformer for Low-Light Image Enhancement

• arxiv url: http://arxiv.org/abs/2605.12556v1
• Date: Mon, 11 May 2026 12:13:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.572025
• Title: M2Retinexformer: Multi-Modal Retinexformer for Low-Light Image Enhancement
• Title（参考訳）: M2Retinexformer:低照度画像強調のためのマルチモードRetinexformer
• Authors: Youssef Aboelwafa, Hicham G. Elmongui, Marwan Torki,
• Abstract要約: M2Retinexformer(Multi-Modal Retinexformer)はRetinexformerを拡張する新しいフレームワークである。 モーダリティは複数のスケールで抽出され、相互注意を通して融合され、適応的なゲーティングは照明誘導による自己注意と相互注意のバランスを動的に調整する。 LOL、SID、SMID、SDSDベンチマークの評価は、Retinexformerと最近の最先端手法に対する全体的な改善を示している。
• 参考スコア（独自算出の注目度）: 3.364554138758565
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Low-light image enhancement is challenging due to complex degradations, including amplified noise, artifacts, and color distortion. While Retinex-based deep learning methods have achieved promising results, they primarily rely on single-modality RGB information. We propose M2Retinexformer (Multi-Modal Retinexformer), a novel framework that extends Retinexformer by incorporating depth cues, luminance priors, and semantic features within a progressive refinement pipeline. Depth provides geometric context that is invariant to lighting variations, while luminance and semantic features offer explicit guidance on brightness distribution and scene understanding. Modalities are extracted at multiple scales and fused through cross-attention, with adaptive gating dynamically balancing illumination-guided self-attention and cross-attention based on the reliability of auxiliary cues. Evaluations on the LOL, SID, SMID, and SDSD benchmarks demonstrate overall improvements over Retinexformer and recent state-of-the-art methods. Code and pretrained weights are available at https://github.com/YoussefAboelwafa/M2Retinexformer
• Abstract（参考訳）: 低照度画像の強調は、増幅ノイズ、アーティファクト、色歪みなどの複雑な劣化のために困難である。 Retinexベースのディープラーニングは有望な結果を得たが、それらは主に単一モダリティのRGB情報に依存している。 本稿では,M2Retinexformer(Multi-Modal Retinexformer)を提案する。 奥行きは照明のバリエーションに不変な幾何学的文脈を提供し、輝度と意味的特徴は明るさ分布とシーン理解に関する明確なガイダンスを提供する。 複数のスケールでモダリティを抽出し、相互注意を通して融合し、補助的手がかりの信頼性に基づいて、照明誘導自己注意と相互注意の動的バランスを動的に調整する。 LOL、SID、SMID、SDSDベンチマークの評価は、Retinexformerと最近の最先端手法に対する全体的な改善を示している。 コードと事前トレーニングされたウェイトはhttps://github.com/YoussefAboelwafa/M2Retinexformerで入手できる。

関連論文リスト

• 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)
• CodeEnhance: A Codebook-Driven Approach for Low-Light Image Enhancement [97.95330185793358]
  低照度画像強調(LLIE)は、低照度画像を改善することを目的としている。 既存の手法では、様々な明るさ劣化からの回復の不確実性と、テクスチャと色情報の喪失という2つの課題に直面している。 我々は、量子化された先行値と画像の精細化を利用して、新しいエンハンスメント手法、CodeEnhanceを提案する。
  論文  参考訳（メタデータ） (2024-04-08T07:34:39Z)
• Retinex Image Enhancement Based on Sequential Decomposition With a Plug-and-Play Framework [16.579397398441102]
  画像強調とノイズ除去を同時に行うために,Retinex理論に基づくプラグイン・アンド・プレイ・フレームワークを設計する。 我々のフレームワークは、画像の強調とデノーミングの両面で最先端の手法に勝っている。
  論文  参考訳（メタデータ） (2022-10-11T13:29:10Z)
• Degrade is Upgrade: Learning Degradation for Low-light Image Enhancement [52.49231695707198]
  2段階の工程で細部と色を精錬しながら、内在的な劣化と低照度画像を照らし出す。 カラー画像の定式化に触発されて,まず低照度入力からの劣化を推定し,環境照明色の歪みをシミュレーションし,そのコンテンツを精錬して拡散照明色の損失を回復した。 LOL1000データセットではPSNRで0.95dB、ExDarkデータセットでは3.18%のmAPでSOTAを上回った。
  論文  参考訳（メタデータ） (2021-03-19T04:00:27Z)

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。