論文の概要: Lighting-Aware Representation Learning under Controllable Lighting Variation

• arxiv url: http://arxiv.org/abs/2606.06899v1
• Date: Fri, 05 Jun 2026 04:31:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.565869
• Title: Lighting-Aware Representation Learning under Controllable Lighting Variation
• Title（参考訳）: 制御可能な照明変動下における照明認識表現学習
• Authors: Lizhen Zhu, Charantej Reddy Pochimireddy, James Z Wang, Brad Wyble,
• Abstract要約: 本稿では,照明変化を明示的な訓練信号として組み込んだ照明対応表現学習フレームワークを提案する。 本手法は、描画シーンにおける照明依存の変動をキャプチャする補助的目的を導入することで、コントラスト学習を拡張する。 提案した照明認識トレーニングは、標準のコントラスト学習ベースラインよりもダウンストリーム性能を継続的に向上することを示す。
• 参考スコア（独自算出の注目度）: 2.616153119098843
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Variations in illumination remain a major challenge for visual representation learning, as they induce substantial appearance changes both across and within environments. While existing approaches typically address this issue through data augmentations that encourage models to become invariant to lighting changes, such strategies do not explicitly model lighting information during learning. Inspired by theories of human vision, we propose a lighting-aware representation learning framework that incorporates illumination variation as an explicit training signal rather than a nuisance factor to be suppressed. Our method extends contrastive learning by introducing an auxiliary objective that captures illumination-dependent variation in rendered scenes, enabling the model to jointly learn representations that preserve semantic consistency while remaining sensitive to lighting-dependent visual structure. We evaluate the proposed model on image classification and object detection tasks across the ImageNet, ExDark, and PASCAL VOC benchmarks. Results demonstrate that the proposed lighting-aware training consistently improves downstream performance over standard contrastive learning baselines, while maintaining the same architecture and training budget. Furthermore, our approach shows promising performance in supervised learning frameworks and under settings involving simpler lighting variation, suggesting broad applicability beyond complex illumination scenarios. These results indicate its potential to enhance model robustness and adaptability in complex visual environments as well as in more conventional image processing tasks.
• Abstract（参考訳）: 照明のバリエーションは、視覚表現学習において大きな課題であり、環境全体と環境内の両方にかなりの外観変化をもたらす。 既存のアプローチでは、モデルが照明変更に不変になるように促すデータ拡張を通じてこの問題に対処するのが一般的だが、そのような戦略は学習中に光情報を明示的にモデル化するものではない。 人間の視覚理論にインスパイアされた照明認識型表現学習フレームワークを提案する。 提案手法は、描画シーンにおける照明依存の変動をキャプチャする補助的目的を導入し、照明依存の視覚構造に敏感なまま意味的一貫性を保った表現を協調的に学習する。 ImageNet, ExDark, PASCAL VOCベンチマークを用いて, 画像分類とオブジェクト検出タスクに関する提案モデルの評価を行った。 提案した照明認識トレーニングは、同じアーキテクチャとトレーニング予算を維持しながら、標準のコントラスト学習ベースラインよりもダウンストリーム性能を継続的に向上することを示す。 さらに,本手法は,教師付き学習フレームワークと,よりシンプルな照明変動を含む設定下での有望な性能を示し,複雑な照明シナリオを超えて適用可能であることを示唆している。 これらの結果は、複雑な視覚環境や従来の画像処理タスクにおいて、モデル堅牢性と適応性を高める可能性を示している。

関連論文リスト

• LightQANet: Quantized and Adaptive Feature Learning for Low-Light Image Enhancement [65.06462316546806]
  低照度画像強調は、高品質な色とテクスチャを維持しながら照明を改善することを目的としている。 既存の手法では、低照度条件下での画素レベルの情報劣化により、信頼性の高い特徴表現の抽出に失敗することが多い。 低照度向上のための量子化・適応型特徴学習を実現する新しいフレームワークLightQANetを提案する。
  論文  参考訳（メタデータ） (2025-10-16T14:54:42Z)
• PractiLight: Practical Light Control Using Foundational Diffusion Models [78.75949075070595]
  PractiLightは、生成された画像における光制御の実践的なアプローチである。 私たちの重要な洞察は、画像内のライティング関係は、自己注意層におけるトークンの相互作用と本質的に類似しているということです。 我々は,パラメータとデータ効率が証明された品質と制御の観点から,最先端の性能を実証する。
  論文  参考訳（メタデータ） (2025-09-01T23:38:40Z)
• 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)
• 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)
• ALEN: A Dual-Approach for Uniform and Non-Uniform Low-Light Image Enhancement [10.957431540794836]
  不適切な照明は、情報損失や画質の低下を招き、監視などの様々な応用に影響を及ぼす可能性がある。 現在のエンハンスメント技術は、しばしば特定のデータセットを使用して低照度画像を強化するが、様々な現実世界の条件に適応する際の課題は残る。 アダプティブ・ライト・エンハンスメント・ネットワーク (ALEN) を導入し、その主なアプローチは、ローカル照明とグローバル照明の強化が必要であるかどうかを決定するための分類機構を使用することである。
  論文  参考訳（メタデータ） (2024-07-29T05:19:23Z)
• 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)
• 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。