論文の概要: InterLight: Leveraging Intrinsic Illumination Priors for Low-Light Image Enhancement
- arxiv url: http://arxiv.org/abs/2605.19982v1
- Date: Tue, 19 May 2026 15:24:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-20 15:03:09.48272
- Title: InterLight: Leveraging Intrinsic Illumination Priors for Low-Light Image Enhancement
- Title（参考訳）: InterLight:低光画像強調のための本質的照明の先駆的活用
- Authors: Ziqi Wang, Xu Zhang, Laibin Chang, Shi Chen, Jiaqi Ma, Huan Zhang,
- Abstract要約: 低照度画像強調(LLIE)は、長い間、低レベルの視覚において難しい問題であった。
近年の研究では、深層学習に基づくRetinex理論が、照明と反射を効果的に分離できることが示されている。
LLIEの固有の照明先を体系的に発掘・運用する新しいフレームワークであるInterLightを提案する。
- 参考スコア（独自算出の注目度）: 17.150076992068733
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Low-Light Image Enhancement (LLIE) has long been a challenging problem in low-level vision, as insufficient illumination often leads to low contrast, detail loss, and noise. Recent studies show that deep learning-based Retinex theory can effectively decouple illumination and reflectance. However, existing methods frequently suffer from over-enhancement or color distortion, and often assume uniform noise or ideal lighting. To address these limitations, we propose InterLight, a novel framework that systematically excavates and operationalizes intrinsic illumination priors for LLIE.Our core insight is that robust enhancement requires not just estimating illumination, but constructing an illumination-aware pipeline. We first inject sensor-level illumination-response priors via physics-guided augmentation, then represent the degradation through adaptive prompts conditioned on the scene's latent illumination state. This explicit representation directly guides a luminance-gated intrinsic memory mechanism to selectively compensate for information loss, prioritizing reconstruction in dark regions while preserving fidelity in bright ones. Finally, the entire process is regularized by a self-supervised consistency objective that distills illumination-invariant features. By deeply exploiting intrinsic illumination priors, our method achieves clearer textures and more visually coherent enhancement results. Extensive experiments across multiple benchmarks demonstrate the effectiveness of our approach. Code is available at: https://github.com/House-yuyu/InterLight.
- Abstract（参考訳）: 低照度画像強調(LLIE)は、低照度の視界において、しばしば低コントラスト、ディテール損失、ノイズに繋がるため、長年、難しい問題であった。
近年の研究では、深層学習に基づくRetinex理論が、照明と反射を効果的に分離できることが示されている。
しかし、既存の手法は過度な強調や色歪みに悩まされることが多く、均一なノイズや理想的な照明を前提としていることが多い。
LLIEの本質的な照明先を体系的に発掘し,運用する新しいフレームワークであるInterLightを提案する。
まず, センサレベルの照明応答を物理誘導増幅により誘導し, シーンの潜時照明状態に調整された適応的プロンプトによる劣化を表現した。
この明示的な表現は、輝度制御された固有の記憶機構を直接誘導し、情報損失を選択的に補償し、暗黒領域における再構成を優先し、明るい領域における忠実さを保っている。
最後に、プロセス全体は、照明不変の特徴を蒸留する自己監督的な一貫性の目的によって正規化される。
本手法は, 本手法により, より鮮明なテクスチャと, より視覚的にコヒーレントな強調結果が得られる。
複数のベンチマークにまたがる大規模な実験は、我々のアプローチの有効性を実証している。
コードは、https://github.com/House-yuyu/InterLight.comで入手できる。
関連論文リスト
- GLOW: Global Illumination-Aware Inverse Rendering of Indoor Scenes Captured with Dynamic Co-Located Light & Camera [18.90141473604964]
室内シーンの逆レンダリングは、反射率と照明のあいまいさのため、依然として困難である。
GLOWは、これらの課題に対処するために設計された、Global Illumination-aware Inverse Renderingフレームワークである。
論文 参考訳（メタデータ） (2025-11-28T03:24:12Z) - 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) - From Enhancement to Understanding: Build a Generalized Bridge for Low-light Vision via Semantically Consistent Unsupervised Fine-tuning [65.94580484237737]
低照度向上は下流タスクの画質を向上させるが、既存の手法は物理的または幾何学的先行に頼っている。
我々は、低照度強化と低照度理解の間に一般化された橋を架け、この橋をGEFU(Generalized Enhancement For Understanding)と呼ぶ。
低照度劣化の多様な原因を解決するために,事前学習した生成拡散モデルを用いて画像の最適化を行い,ゼロショット一般化性能を実現する。
論文 参考訳（メタデータ） (2025-07-11T07:51:26Z) - LUMINA-Net: Low-light Upgrade through Multi-stage Illumination and Noise Adaptation Network for Image Enhancement [26.585985828583304]
低照度画像強調(LLIE)は、低照度条件下で撮影された画像の視覚的忠実度を高めることを目的としたコンピュータビジョンにおける重要な課題である。
LUMINA-Netは,多段照明と反射モジュールを統合することで,低照度画像ペアから適応的な事前学習を行う,教師なしのディープラーニングフレームワークである。
論文 参考訳（メタデータ） (2025-02-21T03:37:58Z) - Zero-Reference Low-Light Enhancement via Physical Quadruple Priors [58.77377454210244]
本稿では,標準光画像のみをトレーニング可能な,ゼロ参照低光強調フレームワークを提案する。
このフレームワークは、画像にさかのぼる照明不変性を復元し、自動的に低照度化を実現します。
論文 参考訳（メタデータ） (2024-03-19T17:36:28Z) - Low-Light Image Enhancement with Illumination-Aware Gamma Correction and
Complete Image Modelling Network [69.96295927854042]
低照度環境は通常、情報の少ない大規模な暗黒地帯に繋がる。
本稿では,ガンマ補正の有効性を深層ネットワークのモデリング能力と統合することを提案する。
指数関数演算は高い計算複雑性をもたらすので、Taylor Series を用いてガンマ補正を近似することを提案する。
論文 参考訳（メタデータ） (2023-08-16T08:46:51Z) - 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) - A Switched View of Retinex: Deep Self-Regularized Low-Light Image
Enhancement [5.217306793654357]
自己正規化低光度画像強調は、トレーニングにおいて通常の光画像を必要としないため、ペアまたはペアなしの低光/非正規画像のチェーンから解放される。
本稿では,すべての色(Hue, Saturation)を保存し,Retinex理論を輝度(Value)にのみ統合する,Retinexに基づく新たな自己正規化手法を提案する。
本手法は、低光度画像を色と明るさの2つのサブスペースに分離し、保存と拡張性を向上させるため効率的である。
論文 参考訳（メタデータ） (2021-01-03T10:40:31Z) - A Two-stage Unsupervised Approach for Low light Image Enhancement [18.365345507072234]
本稿では,低光像強調を前処理と後処理の問題に分解する2段階の教師なし手法を提案する。
提案手法は,低照度条件下で特徴点マッチングと同時局所化とマッピングを大幅に改善することができる。
論文 参考訳（メタデータ） (2020-10-19T08:51:32Z) - 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。