論文の概要: ControlLight: Towards Controllable, Consistent, and Generalizable Low-Light Enhancement
- arxiv url: http://arxiv.org/abs/2605.25569v2
- Date: Tue, 26 May 2026 06:12:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-27 17:51:41.102245
- Title: ControlLight: Towards Controllable, Consistent, and Generalizable Low-Light Enhancement
- Title（参考訳）: ControlLight: 可制御性、一貫性、一般化可能な低照度化を目指す
- Authors: Yufeng Yang, Jianzhuang Liu, Jisheng Chu, Yuqi Peng, Xianfang Zeng, Jiancheng Huang, Shifeng Chen,
- Abstract要約: ControlLightは、低照度拡張のためのコントロール可能で一貫性があり、一般化可能なフレームワークである。
ControlLightを使えば、ユーザーは満足のいく改善結果のために、現実世界の劣化した低照度画像を編集できる。
- 参考スコア（独自算出の注目度）: 41.15146913663238
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing deep learning-based low-light enhancement methods are typically trained on limited datasets with single enhancement targets, which restricts their generalization ability and controllability in real-world applications. To overcome these limitations, we propose ControlLight, a controllable, consistent, and generalizable framework for low-light enhancement. We first construct a large-scale dataset of real-world degraded images with continuous illumination-strength supervision. To further ensure consistent outputs under different control strengths, we introduce a misalignment-aware weighted flow matching loss that preserves image structure across continuous enhancement strengths. ControlLight allows users to edit real-world degraded low-light images toward satisfactory enhancement results by flexibly controlling the strength while preserving visual consistency and realism. Extensive experiments show that ControlLight achieves state-of-the-art performance against existing low-light enhancement approaches while demonstrating strong continuous controllability and generalization to real-world scenarios.
- Abstract（参考訳）: 既存のディープラーニングベースの低照度エンハンスメント手法は、通常、単一のエンハンスメントターゲットを持つ限られたデータセットで訓練される。
これらの制限を克服するために、低照度化のための制御可能で一貫性があり、一般化可能なフレームワーク、ControlLightを提案する。
まず,連続的な照明強度を監督する実世界の劣化画像の大規模データセットを構築した。
さらに,制御強度の異なる一貫した出力を確保するため,画像構造を連続的な強調強度で保持する不整合重み付きフローマッチング損失を導入する。
ControlLightでは、視覚的一貫性とリアリズムを保ちながら、柔軟に強度を制御することで、現実の劣化した低照度画像を良好な拡張結果に向けて編集することができる。
大規模な実験により、ControlLightは既存の低照度化アプローチに対して最先端のパフォーマンスを実現し、強力な継続的制御性と現実のシナリオへの一般化を実証した。
関連論文リスト
- Anchor then Polish for Low-light Enhancement [10.471765109354724]
低照度画像強調は、絡み合った劣化のために困難である。
この研究は、局所的な細部の改良から地球規模のエネルギーアライメントを根本的に分離する新しいアンカー・テン・ポリッシュ(ATP)フレームワークを提案する。
提案手法は最先端の性能を実現し,視覚的に自然で量的に優れた低照度向上を実現する。
論文 参考訳（メタデータ） (2026-03-16T16:06:30Z) - 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) - A Multi-Scale Spatial Attention-Based Zero-Shot Learning Framework for Low-Light Image Enhancement [3.55026004901472]
LucentVisionNetは、低照度画像強調のための新しいゼロショット学習フレームワークである。
我々のフレームワークは、高い視覚的品質、構造的整合性、計算効率を実現する。
モバイル写真、監視、自律ナビゲーションといった現実世界のアプリケーションにデプロイするのに適しています。
論文 参考訳（メタデータ） (2025-06-23T06:11:55Z) - TSCnet: A Text-driven Semantic-level Controllable Framework for Customized Low-Light Image Enhancement [30.498816319802412]
そこで本研究では,アクセプティブ駆動,セマンティックレベル,量的明るさ調整による照明制御をカスタマイズする,新たな光強調タスクとフレームワークを提案する。
ベンチマークデータセットの実験結果は、可視性を高め、自然な色バランスを維持し、アーティファクトを作成することなく詳細を増幅するフレームワークの優れたパフォーマンスを示す。
論文 参考訳（メタデータ） (2025-03-11T08:30:50Z) - Dimma: Semi-supervised Low Light Image Enhancement with Adaptive Dimming [0.728258471592763]
自然色を維持しながら低照度画像を強調することは、カメラ処理のバリエーションによって難しい問題である。
そこで我々はDimmaを提案する。Dimmaは、画像対の小さなセットを利用して、任意のカメラと整合する半教師付きアプローチである。
そこで我々は,照明の違いに基づいて,シーンの歪み色を生成する畳み込み混合密度ネットワークを導入することで実現した。
論文 参考訳（メタデータ） (2023-10-14T17:59:46Z) - CLE Diffusion: Controllable Light Enhancement Diffusion Model [80.62384873945197]
制御可能な光拡張拡散モデル(CLE Diffusion)は、ユーザがリッチな制御性を提供するための新しい拡散フレームワークである。
条件付き拡散モデルを用いて構築された照明埋め込みは,ユーザが希望する明るさレベルを制御できるようにする。
論文 参考訳（メタデータ） (2023-08-13T09:05:56Z) - 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) - 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。