論文の概要: Overlapped Wavelet Diffusion for Low-Light Image Enhancement
- arxiv url: http://arxiv.org/abs/2606.10280v1
- Date: Tue, 09 Jun 2026 01:00:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-10 15:40:58.239285
- Title: Overlapped Wavelet Diffusion for Low-Light Image Enhancement
- Title（参考訳）: 低光像強調のためのオーバーラップウェーブレット拡散
- Abstract要約: 低光画像強調(LLIE)のための重なり合うウェーブレット拡散フレームワークを提案する。
このフレームワークは、ブロックされたアーティファクトフリーとディテール保存エンハンスメントを達成するために、2つの補完的なコンポーネントを含んでいる。
LOLv1およびLOLv2-realデータセットの実験は、我々のフレームワークであるOWDiffが既存のLLIEメソッドを一貫して上回ることを示した。
- 参考スコア（独自算出の注目度）: 5.786013556804502
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this study, we propose an overlapped wavelet diffusion framework for Low-Light Image Enhancement (LLIE), which incorporates two complementary components to achieve blocking artifact-free and detail-preserving enhancement. Although recent diffusion-based LLIE methods have demonstrated remarkable performance compared with traditional approaches, DiffLL still suffers from blocking artifacts caused by the Haar Wavelet Transform (WT) and blurred edges or over-smoothed textures due to the limitations of its High-Frequency Restoration Module (HFRM). To overcome these issues, we introduce an Overlapped WT (OWT) that incorporates correlations across neighboring regions, thereby structurally preventing blocking artifacts. Furthermore, we integrate a low-frequency-guided High-Frequency Enhance Block (HFEBlock) to strengthen detail recovery, yielding sharper edges and more reliable textures. Extensive experiments on the LOLv1 and LOLv2-real datasets demonstrate that our framework, termed OWDiff, consistently outperforms existing LLIE methods both qualitatively and quantitatively, achieving superior visual quality while maintaining computational efficiency. OWDiff effectively addresses the structural limitations of the Haar WT and the HFRM, achieving an average PSNR gain of 0.58 dB, along with a 1.64% relative improvement in SSIM and a 5.9% relative reduction in LPIPS, compared to DiffLL across both the LOLv1 and LOLv2-real datasets.
- Abstract（参考訳）: 本研究では,低光画像強調(LLIE)のための重なり合ったウェーブレット拡散フレームワークを提案する。
近年の拡散型LLIE法は従来の手法と比較して顕著な性能を示したが、DiffLLはハイ周波数復元モジュール(HFRM)の限界により、ハールウェーブレット変換(WT)やぼやけたエッジや過度に平滑なテクスチャによるアーチファクトのブロックに悩まされている。
これらの課題を克服するために,近隣地域間の相関を組み込んだオーバーラップWT(OWT)を導入し,ブロッキングアーティファクトを構造的に防止する。
さらに、低周波誘導高周波数エンハンスブロック(HFEBlock)を統合し、ディテールリカバリを強化し、よりシャープなエッジとより信頼性の高いテクスチャを得る。
LOLv1 と LOLv2-real データセットの大規模な実験により、我々のフレームワーク OWDiff は、定性的かつ定量的に既存の LLIE 手法を一貫して上回り、計算効率を保ちながら、優れた視覚的品質を実現することを示した。
OWDiffはHaar WTとHFRMの構造的制限を効果的に解決し、平均PSNRは0.58dB、SSIMは1.64%、LPIPSは5.9%改善した。
関連論文リスト
- DRPFNet: Dual-domain Residual Progressive Fusion Network for RGB-Thermal Object Detection [13.47934602159213]
RGB-thermal(RGB-T)オブジェクト検出は、可視・熱的モードから相補的な情報を融合して、様々な照明と気象条件下で堅牢な検出を実現することを目的としている。
現在の手法では、注意機構やトランスフォーマーを用いて、各特徴スケールで独立してクロスモーダル融合を行うのが一般的である。
本稿では,3つの相乗的レベル(構造,特徴,拡張)から統合情報フロー最適化システムを構築するDRPFNetを提案する。
論文 参考訳（メタデータ） (2026-08-04T09:20:31Z) - Single Image Super-Resolution via Bivariate `A Trous Wavelet Diffusion [5.897882149801945]
超解像(SR)モデルは、人工物を導入することなく高周波構造を復元できる必要がある。
生成過程において,構造化されたクロススケールガイダンスを提供するBATDiffを紹介する。
既存の拡散ベースラインや非拡散ベースラインよりも鋭く、構造的に一貫した再構築をもたらす。
論文 参考訳（メタデータ） (2026-03-07T14:36:37Z) - Frequency-Spatial Interaction Driven Network for Low-Light Image Enhancement [27.98755235982138]
低照度画像強調(LLIE)は、照明の弱い環境で撮影された画像の知覚や解釈性を改善することを目的としている。
2段階アーキテクチャに基づくLLIEのための新しい周波数空間相互作用駆動ネットワーク(FSIDNet)を開発した。
論文 参考訳（メタデータ） (2025-10-25T04:17:50Z) - Latent Harmony: Synergistic Unified UHD Image Restoration via Latent Space Regularization and Controllable Refinement [89.99237142387655]
LH-VAEを導入し、視覚的意味的制約や進行的劣化による意味的堅牢性を高める。
Latent Harmonyは、UHD修復のためのVAEを再定義する2段階のフレームワークである。
実験により、Latent HarmonyはUHDおよび標準解像度タスクにまたがって最先端のパフォーマンスを実現し、効率、知覚品質、再現精度を効果的にバランスさせることが示されている。
論文 参考訳（メタデータ） (2025-10-09T08:54:26Z) - Fourier-Guided Attention Upsampling for Image Super-Resolution [0.13999481573773068]
周波数誘導アテンション(英: Frequency-Guided Attention, FGA)は、単一画像の超解像のための軽量アップサンプリングモジュールである。
試験の結果、PSNRの平均利得は0.120.14dB、周波数領域の整合性は最大29%向上した。
論文 参考訳（メタデータ） (2025-08-14T13:13:17Z) - FADPNet: Frequency-Aware Dual-Path Network for Face Super-Resolution [70.61549422952193]
計算コストの制限による顔超解像(FSR)は未解決の問題である。
既存のアプローチでは、全ての顔のピクセルを等しく扱い、計算資源を最適以下に割り当てる。
本稿では、低周波成分と高周波成分に顔の特徴を分解する周波数対応デュアルパスネットワークであるFADPNetを提案する。
論文 参考訳（メタデータ） (2025-06-17T02:33:42Z) - Bidirectional Image-Event Guided Fusion Framework for Low-Light Image Enhancement [24.5584423318892]
極端に低照度な条件下では、フレームベースのカメラは、ダイナミックレンジの制限により、細部が著しく失われる。
近年の研究では、イベント誘導型低照度画像強調のためのイベントカメラが導入されている。
低光画像強調のための双方向画像イベント誘導融合フレームワークBiLIEを提案する。
論文 参考訳（メタデータ） (2025-06-06T14:28:17Z) - One-Step Diffusion Model for Image Motion-Deblurring [85.76149042561507]
本稿では,脱臭過程を1段階に短縮する新しいフレームワークである脱臭拡散モデル(OSDD)を提案する。
拡散モデルにおける忠実度損失に対処するために,構造復元を改善する改良された変分オートエンコーダ(eVAE)を導入する。
提案手法は,実測値と非参照値の両方で高い性能を達成する。
論文 参考訳（メタデータ） (2025-03-09T09:39:57Z) - Efficient Diffusion as Low Light Enhancer [63.789138528062225]
RATR(Reflectance-Aware Trajectory Refinement)は、イメージの反射成分を用いて教師の軌跡を洗練するための、シンプルで効果的なモジュールである。
textbfReDDiT (textbfDistilled textbfTrajectory) は低照度画像強調(LLIE)に適した効率的で柔軟な蒸留フレームワークである。
論文 参考訳（メタデータ） (2024-10-16T08:07:18Z) - Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。
本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
論文 参考訳（メタデータ） (2023-06-01T03:08:28Z) - 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) - Uncovering the Over-smoothing Challenge in Image Super-Resolution: Entropy-based Quantification and Contrastive Optimization [67.99082021804145]
我々はDetail Enhanced Contrastive Loss (DECLoss)と呼ばれるCOO問題に対する明確な解決策を提案する。
DECLossはコントラスト学習のクラスタリング特性を利用して、潜在的な高分解能分布の分散を直接的に低減する。
我々は複数の超高解像度ベンチマーク上でDECLosを評価し,PSNR指向モデルの知覚品質を向上させることを実証した。
論文 参考訳（メタデータ） (2022-01-04T08:30:09Z)
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。