論文の概要: Internally Referenced Low-Light Enhancement

• arxiv url: http://arxiv.org/abs/2605.28605v1
• Date: Wed, 27 May 2026 15:20:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.159271
• Title: Internally Referenced Low-Light Enhancement
• Title（参考訳）: 内部参照低照度化
• Authors: Peiyuan He, Hainuo Wang, Hengxing Liu, Mingjia Li, Xiaojie Guo,
• Abstract要約: 自己監督型低照度画像強調(LLIE)は、外部のペアデータへの依存をなくすため、非常に魅力的である。 劣化した入力画像から信頼性の高い物理的および構造的参照を抽出する内部参照LLIE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,優れたノイズ抑圧とテクスチャ忠実度を実現する。
• 参考スコア（独自算出の注目度）: 9.915987964447067
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-supervised low-light image enhancement (LLIE) is highly appealing as it eliminates the reliance on external paired data. However, the lack of external references causes networks to struggle with decoupling entangled illumination, delicate textures, and amplified noise. To resolve this challenge, we propose an Internally Referenced LLIE framework that extracts reliable physical and structural references from the degraded input image itself. First, we introduce a local exposure-simulated scheme to extract a low-frequency pseudo ground-truth. This serves as an internal physical reference to guide global illumination estimation and correct color casts. Second, we propose a dual-domain preservation strategy with spatial and spectral constraints to construct internal structural references. Specifically, an Illumination-Aligned Perceptual loss preserves global structures under illumination shifts, while a Shift-Invariant Spectral Correlation loss captures fine-grained local structures and suppresses high-frequency noise. Finally, we propose a Gain-Adaptive Feature Modulation (GAFM) mechanism to address highly spatially-variant residual noise. By transforming the self-estimated illumination map into an internal spatial gain prior, GAFM dynamically guides a blind-spot network for spatially-aware denoising. Extensive experiments demonstrate that our method achieves state-of-the-art performance, delivering superior noise suppression and textural fidelity. Code will be publicly released at https://visonj.github.io/IRLE/.
• Abstract（参考訳）: 自己監督型低照度画像強調(LLIE)は、外部のペアデータへの依存をなくすため、非常に魅力的である。 しかし、外部参照の欠如により、ネットワークは絡み合った照明、繊細なテクスチャ、増幅ノイズの分離に苦労する。 この課題を解決するために、劣化した入力画像自体から信頼性の高い物理的および構造的参照を抽出する内部参照LLIEフレームワークを提案する。 まず,低周波な擬似地下構造を抽出する局所露光シミュレーション手法を提案する。 これは、地球規模の照明推定と正しいカラーキャストを導くための内部物理参照として機能する。 第2に、内部構造参照を構築するために、空間的制約とスペクトル的制約を持つ二重領域保存戦略を提案する。 具体的には、照度調整された知覚的損失は照明シフトの下で大域構造を保ち、シフト不変スペクトル相関損失は微細な局所構造を捕捉し、高周波ノイズを抑制する。 最後に,高空間変動残音に対処するゲイン適応特徴変調(GAFM)機構を提案する。 自己推定照明マップを内部のゲインに変換することにより、GAFMは空間認識のための盲点ネットワークを動的に誘導する。 広汎な実験により,本手法は最先端の性能を実現し,優れたノイズ抑圧と音像の忠実性を実現する。 コードはhttps://visonj.github.io/IRLE/.comで公開される。

関連論文リスト

• LISA: Language-guided Interference-aware Spatial-Frequency Attention for Driver Gaze Estimation [12.034295331199813]
  ドライバーの視線推定は、現代の監視システムにおけるドライバーの注意度を評価するための基本的な指標となる。 textbfLanguage-guided textbfInterference-aware textbfSpatial-Frequency textbfAttention frameworkを提案する。
  論文  参考訳（メタデータ） (2026-05-17T06:57:31Z)
• ZeroIDIR: Zero-Reference Illumination Degradation Image Restoration with Perturbed Consistency Diffusion Models [72.4683657127516]
  照明画像復元のためのゼロ参照拡散ベースフレームワークZeroIDIRを提案する。 フレームワークは、復元プロセスを適応照明補正と拡散に基づく再構成に分離する。 公開されているベンチマーク実験により、提案手法は最先端の教師なし競争相手よりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-05-12T02:36:49Z)
• Towards Controllable Low-Light Image Enhancement: A Continuous Multi-illumination Dataset and Efficient State Space Framework [2.977173671229414]
  Light100 がサポートする総合的なフレームワークである Controllable Low-light Enhancement (CLE) を導入する。 輝度制御と色度との矛盾を解決するため、ノイズ分離型監視戦略を採用する。 提案手法は,実世界のマルチイルミネーション代替品として,競争性能とロバストな制御性を実現する。
  論文  参考訳（メタデータ） (2026-03-26T10:40:08Z)
• A Physically-Grounded Attack and Adaptive Defense Framework for Real-World Low-Light Image Enhancement [11.903420482259257]
  限られた照明は、しばしば画像の厳しい物理的ノイズと細部劣化を引き起こす。 既存の低光画像強調法(LLIE)は、拡張プロセスをブラインドブラックボックスマッピングとして扱う。 本稿では,物理に基づく攻撃とディスプレイ適応防衛のパラダイムとして概念的に定式化された新しいLLIE手法を提案する。
  論文  参考訳（メタデータ） (2026-03-15T09:44:54Z)
• Interpretable Unsupervised Joint Denoising and Enhancement for Real-World low-light Scenarios [18.622785498617223]
  本稿では,現実のシナリオに適した,解釈可能でゼロ参照のジョイント denoising と低照度拡張フレームワークを提案する。 提案手法は,照明レベルと騒音レベルが異なるペアサブイメージに基づくトレーニング戦略を導出する。 バックボーンネットワークの設計において、暗黙の劣化表現機構によって導かれる網膜分解ネットワークを開発する。
  論文  参考訳（メタデータ） (2025-03-17T12:08:52Z)
• 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)
• Spectral Enhanced Rectangle Transformer for Hyperspectral Image Denoising [64.11157141177208]
  ハイパースペクトル画像の空間的およびスペクトル的相関をモデル化するスペクトル拡張矩形変換器を提案する。 前者に対しては、長方形自己アテンションを水平および垂直に利用し、空間領域における非局所的類似性を捉える。 後者のために,空間スペクトル立方体の大域的低ランク特性を抽出し,雑音を抑制するスペクトル拡張モジュールを設計する。
  論文  参考訳（メタデータ） (2023-04-03T09:42:13Z)
• Seeing Through The Noisy Dark: Toward Real-world Low-Light Image Enhancement and Denoising [125.56062454927755]
  現実の低照度環境は通常、光やハードウェアの限界が不足しているため、視界が低く、騒音が重い。 我々は、RLED-Net(Real-world Low-light Enhancement & Denoising Network)と呼ばれる新しいエンドツーエンド手法を提案する。
  論文  参考訳（メタデータ） (2022-10-02T14:57:23Z)
• Cycle-Interactive Generative Adversarial Network for Robust Unsupervised Low-Light Enhancement [109.335317310485]
  CIGAN(Cycle-Interactive Generative Adversarial Network)は、低照度画像間の照明分布の転送を改善できるだけでなく、詳細な信号も操作できる。 特に、提案した低照度誘導変換は、低照度GAN生成器から劣化GAN生成器へ、低照度画像の特徴をフォワードする。
  論文  参考訳（メタデータ） (2022-07-03T06:37:46Z)
• 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。