論文の概要: PixIE: Prompted Pixel-Space Low-Light Image Enhancement
- arxiv url: http://arxiv.org/abs/2605.23531v2
- Date: Wed, 27 May 2026 21:52:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-30 02:45:54.543849
- Title: PixIE: Prompted Pixel-Space Low-Light Image Enhancement
- Title（参考訳）: PixIE:Pixel空間の低照度画像のプロンプト
- Authors: Ruirui Lin, Guoxi Huang, David Bull, Nantheera Anantrasirichai,
- Abstract要約: 低照度画像は、激しいノイズ、コントラスト損失、意味的曖昧さに悩まされる。
視覚基盤モデルによって意味的に誘導されるフィードフォワードピクセル空間LLIEフレームワークであるPixIEを提案する。
- 参考スコア（独自算出の注目度）: 9.689691044956806
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Low-light images suffer from severe noise, contrast loss, and semantic ambiguity, making enhancement a joint problem of denoising and detail recovery. We propose PixIE, a feed-forward pixel-space LLIE framework semantically prompted by a vision foundation model. PixIE first performs cross-scale denoising to suppress noise and preserve structure, then refines details using DINO-Prompted Pixel Blocks (DPPBs), which inject intermediate DINOv3 features through patch-conditioned, spatially continuous per-pixel modulation. To make pixel-space attention efficient across scales, we introduce Spatial-Channel Compaction (SCC), which jointly reduces the spatial token grid and channel dimension. We further propose Multi-Receptive-Field Pixel Embedding (MRPE) to provide neighborhood-aware pixel representations before semantic prompting, improving robustness to signal-dependent noise beyond point-wise embeddings. Experiments on LLIE benchmarks show that PixIE improves average PSNR by 1.9-15.0% over recent state-of-the-art methods and reduces LPIPS by 8.5-44.4%. Qualitative comparisons further show sharper details and more stable textures, improving both reconstruction fidelity and perceptual quality.
- Abstract（参考訳）: 低照度画像は、ノイズ、コントラスト損失、意味的あいまいさに悩まされ、ノイズの除去と詳細回復という共同問題に発展する。
視覚基盤モデルによって意味的に誘導されるフィードフォワードピクセル空間LLIEフレームワークであるPixIEを提案する。
PixIEは最初、ノイズの抑制と構造保存のためにクロススケールなデノベーションを行い、その後DINO-Prompted Pixel Blocks (DPPB)を使用して詳細を洗練し、パッチ条件付き、空間的に連続したピクセルごとの変調を通じて、中間DINOv3機能を注入する。
本研究では,SCC(Spatial-Channel Compaction)を導入し,空間トークングリッドとチャネル次元を両立させる。
さらに、セマンティックプロンプトの前に周辺に認識されたピクセル表現を提供するためのMRPE(Multi-Receptive-Field Pixel Embedding)を提案し、ポイントワイド埋め込みを超えた信号依存ノイズに対するロバスト性を向上させる。
LLIEベンチマークの実験では、PixIEは最近の最先端手法に比べて平均PSNRを1.9～15.0%改善し、LPIPSを8.5～44.4%削減している。
質的な比較により、よりシャープなディテールとより安定したテクスチャが示され、再構築の忠実さと知覚の質の両方が改善された。
関連論文リスト
- QMambaBSR: Burst Image Super-Resolution with Query State Space Model [55.56075874424194]
バースト超解像度は、複数のバースト低解像度フレームからサブピクセル情報を融合することにより、高画質でよりリッチな細部で高解像度の画像を再構成することを目的としている。
BusrtSRにおいて鍵となる課題は、高周波ノイズ障害を同時に抑制しつつ、ベースフレームの補完的なサブピクセルの詳細を抽出することである。
本稿では,Query State Space Model (QSSM) とAdaptive Up-Sampling Module (AdaUp) を組み合わせた新しいQuery Mamba Burst Super-Resolution (QMambaBSR) ネットワークを紹介する。
論文 参考訳（メタデータ） (2024-08-16T11:15:29Z) - DPEC: Dual-Path Error Compensation Method for Enhanced Low-Light Image Clarity [2.8161423494191222]
低照度条件下での画質向上のためのDual-Path Error Compensation (DPEC)法を提案する。
DPECには、微妙な違いを捉えるための正確なピクセルレベルの誤差推定と、ノイズ増幅を防ぐための独立したデノナイジング機構が組み込まれている。
総合的な定量的および定性的実験結果から,このアルゴリズムは低照度画像強調における最先端手法を著しく上回っていることが示された。
論文 参考訳（メタデータ） (2024-06-28T08:21:49Z) - Super-Resolution of License Plate Images Using Attention Modules and
Sub-Pixel Convolution Layers [3.8831062015253055]
監視画像における構造的特徴およびテクスチャ的特徴の検出を強化するために,Single-Image Super-Resolution (SISR) アプローチを導入する。
提案手法は,サブピクセルの畳み込み層と,光学的文字認識(OCR)モデルを用いて特徴抽出を行うロス関数を含む。
以上の結果から, これらの低解像度合成画像の再構成手法は, 定量化と定性化の両面で, 既存の画像よりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2023-05-27T00:17:19Z) - Decoupled-and-Coupled Networks: Self-Supervised Hyperspectral Image
Super-Resolution with Subpixel Fusion [67.35540259040806]
サブピクセルレベルのHS超解像フレームワークを提案する。
名前が示すように、DC-Netはまず入力を共通(またはクロスセンサー)とセンサー固有のコンポーネントに分離する。
我々は,CSUネットの裏側に自己教師付き学習モジュールを付加し,素材の整合性を保証し,復元されたHS製品の詳細な外観を向上する。
論文 参考訳（メタデータ） (2022-05-07T23:40:36Z) - Beyond Joint Demosaicking and Denoising: An Image Processing Pipeline
for a Pixel-bin Image Sensor [0.883717274344425]
Pixel binningは、スマートフォンカメラのハードウェア制限に対処する最も顕著なソリューションの1つだと考えられている。
本稿では,新しい学習手法を導入することで,このような画像センサ上でのJDD(Joint Desaicing and Denoising)の課題に対処する。
提案手法は,視覚可能な画像を生成するための2つの新しい知覚損失を含む多項目的関数によって導かれる。
論文 参考訳（メタデータ） (2021-04-19T15:41:28Z) - Light Field Reconstruction Using Convolutional Network on EPI and
Extended Applications [78.63280020581662]
スパースビューからの光場再構成のための新しい畳み込みニューラルネットワーク(CNN)ベースのフレームワークを開発した。
最先端のアルゴリズムと比較して,提案フレームワークの高性能と堅牢性を実証する。
論文 参考訳（メタデータ） (2021-03-24T08:16:32Z) - Learning Spatial and Spatio-Temporal Pixel Aggregations for Image and
Video Denoising [104.59305271099967]
ピクセル集計ネットワークを提示し、画像デノイジングのためのピクセルサンプリングと平均戦略を学びます。
時間空間にまたがるサンプル画素をビデオデノナイズするための画素集約ネットワークを開発した。
本手法は,動的シーンにおける大きな動きに起因する誤認問題を解決することができる。
論文 参考訳（メタデータ） (2021-01-26T13:00:46Z) - Hyperspectral Image Super-resolution via Deep Progressive Zero-centric
Residual Learning [62.52242684874278]
空間情報とスペクトル情報の相互モダリティ分布が問題となる。
本稿では,PZRes-Netという,新しいテクスライトウェイトなディープニューラルネットワークベースのフレームワークを提案する。
本フレームワークは,高分解能かつテクテッセロ中心の残像を学習し,シーンの空間的詳細を高頻度で表現する。
論文 参考訳（メタデータ） (2020-06-18T06:32:11Z)
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。