論文の概要: LUCID: Learning Unified Control for Image Deflaring and Exposure Mastery in Nighttime Photography
- arxiv url: http://arxiv.org/abs/2606.06901v1
- Date: Fri, 05 Jun 2026 04:34:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-08 14:33:29.567109
- Title: LUCID: Learning Unified Control for Image Deflaring and Exposure Mastery in Nighttime Photography
- Title（参考訳）: LUCID:夜間撮影における画像定義・露出熟達のための統一制御学習
- Authors: Tingyu Yang, Yuan Cheng, Xiaoyun Yuan,
- Abstract要約: LUCIDは、夜間回復を継続的かつ制御可能なプロセスとして再構成する統合フレームワークである。
夜間の回復を, フレア・ディコンタングルメント・モジュールと拡散駆動・モジュールの2つの協調成分に分解する。
LUCIDは、様々な現実世界の夜間シナリオにおいて、最先端の手法よりも一貫して優れています。
- 参考スコア（独自算出の注目度）: 17.65941336487973
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Photography is the art of painting with light, yet nighttime scenes are shaped by competing degradations: intense flares obscure scene structure, while photon-limited regions collapse into noise. Conventional approaches address these factors in isolation, overlooking the fact that these degradations are fundamentally entangled. To bridge this gap, we introduce LUCID, a unified framework that reframes nighttime restoration as a continuous and controllable process rather than a fixed correction. We decompose nighttime restoration into two cooperative components: a flare disentanglement module that lifts the 'curtain' of optical artifacts to provide reliable structural guidance, and a diffusion-driven module that leverages generative priors to reconstruct clean and well-exposed imagery. Crucially, LUCID introduces explicit controllability through a novel four-mode training strategy, enabling users to steer the restoration process via classifier-free guidance (CFG) and allowing selective control over light sources and their associated flare and ghosting artifacts, while also supporting high dynamic range (HDR) reconstruction through continuous exposure control. Extensive experiments demonstrate that LUCID consistently outperforms state-of-the-art methods across diverse real-world nighttime scenarios.
- Abstract（参考訳）: 写真は、光で描かれた絵画の技法であるが、夜間のシーンは競合する劣化によって形成されている。
従来のアプローチでは、これらの分解が根本的に絡み合っているという事実を見越して、これらの要因を分離して解決している。
このギャップを埋めるために、固定補正ではなく、連続的かつ制御可能なプロセスとして夜間復旧を再構成する統合フレームワークであるLUCIDを導入する。
我々は、夜間の修復を2つの協調的な構成要素に分解する: 光学的アーティファクトの「曲がり角」を持ち上げて信頼性の高い構造ガイダンスを提供するフレア・ディコンタングルメント・モジュールと、生成前の情報を利用した拡散駆動モジュールである。
重要な点として、LUCIDは、新しい4モードトレーニング戦略を通じて明示的な制御性を導入し、ユーザーが分類器フリーガイダンス(CFG)を介して復元プロセスを操り、光源とその関連するフレアおよびゴーストアーティファクトを選択的に制御できると同時に、継続的な露光制御による高ダイナミックレンジ(HDR)再構築をサポートする。
大規模な実験により、LUCIDは様々な現実世界の夜間シナリオで最先端の手法を一貫して上回ることを示した。
関連論文リスト
- IG-Diff: Complex Night Scene Restoration with Illumination-Guided Diffusion Model [113.62837263178346]
夜間の状況では、個人や機械が周囲を知覚することは困難である。
拡散モデルに埋め込まれた照明誘導モジュールを統合し,照明回復プロセスの導出を行う。
本モデルでは, 低照度シナリオにおける各種劣化による逆効果と競合しながら, テクスチャの忠実さを保存できる。
論文 参考訳（メタデータ） (2026-05-14T04:01:41Z) - 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) - It Takes Two: A Duet of Periodicity and Directionality for Burst Flicker Removal [33.368752108326625]
不安定な照明と行単位での露光の不整合から生じるフレッカ・アーティファクトは、短い露光撮影において大きな課題となる。
ゴースト化を導入することなく、効果的にフリックを除去するトランスフォーマーベースのアーキテクチャであるFlickerformerを提案する。
Flickerformerは、定量的メトリクスと視覚的品質の両方において最先端のアプローチより優れている。
論文 参考訳（メタデータ） (2026-03-24T04:32:16Z) - Nighttime Hazy Image Enhancement via Progressively and Mutually Reinforcing Night-Haze Priors [12.516890497421203]
既存の方法は、主に一度に一つのタイプの劣化(例えば、ヘイズや低照度)に対処する。
我々は、低照度と迷路の先駆者間で共有されるドメイン知識が相互に強化され、より良い可視性が得られることを観察する。
本研究では,夜間の空白画像の視認性を高めるためのフレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-05T10:58:02Z) - SLCFormer: Spectral-Local Context Transformer with Physics-Grounded Flare Synthesis for Nighttime Flare Removal [12.135723445465551]
レンズフレア(英: Lens flare)は、カメラレンズ内で強力な光源が散乱することによって生じる、夜間の一般的な人工物である。
夜間レンズフレア除去のためのスペクトル局所コンテクストトランスフォーマフレームワークであるSLCFormerを提案する。
提案手法は,計測値と知覚的視覚的品質の両方において,既存の手法よりも優れた,最先端の性能を実現する。
論文 参考訳（メタデータ） (2025-12-17T09:16:59Z) - Low-Light Video Enhancement via Spatial-Temporal Consistent Decomposition [52.89441679581216]
低照度ビデオエンハンスメント(LLVE)は、激しい視認性とノイズに悩まされる動的または静的なシーンの復元を目指している。
本稿では、ビューに依存しない、ビューに依存しないコンポーネントを組み込んだ革新的なビデオ分解戦略を提案する。
我々のフレームワークは、既存のメソッドを一貫して上回り、新しいSOTAパフォーマンスを確立します。
論文 参考訳（メタデータ） (2024-05-24T15:56:40Z) - Reti-Diff: Illumination Degradation Image Restoration with Retinex-based
Latent Diffusion Model [59.08821399652483]
照明劣化画像復元(IDIR)技術は、劣化した画像の視認性を改善し、劣化した照明の悪影響を軽減することを目的としている。
これらのアルゴリズムのうち、拡散モデル(DM)に基づく手法は期待できる性能を示しているが、画像レベルの分布を予測する際に、重い計算要求や画素の不一致の問題に悩まされることが多い。
我々は、コンパクトな潜在空間内でDMを活用して、簡潔な指導先を生成することを提案し、IDIRタスクのためのReti-Diffと呼ばれる新しいソリューションを提案する。
Reti-Diff は Retinex-based Latent DM (RLDM) と Retinex-Guided Transformer (RG) の2つの鍵成分からなる。
論文 参考訳（メタデータ） (2023-11-20T09:55:06Z) - 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) - CuDi: Curve Distillation for Efficient and Controllable Exposure
Adjustment [86.97592472794724]
そこで我々は, 対や不対のデータを必要とせず, 効率よくかつ制御可能な露光調整のためのCuDi曲線蒸留法を提案する。
提案手法は,ゼロ参照学習と曲線ベースのフレームワークを,実効的な低照度画像強調手法であるゼロDCEから継承する。
提案手法は, 高速で頑健でフレキシブルな性能に優れ, 実シーンにおける最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-07-28T17:53:46Z)
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。