論文の概要: Gaussian Light Field Splatting: A Physical Prior-Driven Vision Transformer for Unsupervised Low-Light Image Enhancement
- arxiv url: http://arxiv.org/abs/2606.17985v1
- Date: Tue, 16 Jun 2026 14:37:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-17 17:15:32.485672
- Title: Gaussian Light Field Splatting: A Physical Prior-Driven Vision Transformer for Unsupervised Low-Light Image Enhancement
- Title（参考訳）: ガウス光電場散乱:非教師なし低光画像強調のための物理優先駆動型視覚変換器
- Authors: Yuhan Chen, Wenxuan Yu, Guofa Li, Fuchen Li, Kunyang Huang, Yicui Shi, Ying Fang, Wenbo Chu, Keqiang Li,
- Abstract要約: 既存の教師なし低照度画像強調法は、複雑な非一様照明下での局所的な露光不均衡と色歪みに遭遇することが多い。
本稿では,ガウス光場スプラッティングに基づくビジョントランスフォーマーであるGLFSを提案し,ガウス光線スプラッティングから連続的な物理照明モデリングをトランスフォーマーアーキテクチャに統合する。
最先端の性能を実現し、低照度画像強調のための新しい表現パラダイムを提供する。
- 参考スコア（独自算出の注目度）: 24.549302711851478
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing unsupervised low-light image enhancement methods often encounter local exposure imbalance and color distortion under complex non-uniform illumination. In addition, most Vision Transformers lack an explicit mechanism for modeling the physical priors of illumination degradation. To address these limitations, we propose GLFS, a Gaussian light field splatting-based Vision Transformer that integrates continuous physical illumination modeling from Gaussian splatting into the Transformer architecture. In GLFS, scene illumination is represented by a superposition of anisotropic Gaussian basis functions. Physics-guided biases are introduced into self-attention to adaptively infer a spatial gain field, enabling accurate and uniform restoration under complex illumination. To reduce color bias and structural degradation during enhancement, a color-vector angular loss and a luminance-edge loss are further developed. These losses enforce hue consistency and improve the structural fidelity of local details. Extensive ablation studies and quantitative evaluations show that GLFS provides clear advantages in illumination correction and detail preservation. It achieves state-of-the-art performance and offers a new representation paradigm for low-light image enhancement.
- Abstract（参考訳）: 既存の教師なし低照度画像強調法は、複雑な非一様照明下での局所的な露光不均衡と色歪みに遭遇することが多い。
さらに、ほとんどの視覚変換器は、照明劣化の物理的先行をモデル化するための明確なメカニズムを欠いている。
これらの制約に対処するため,ガウス光場スプラッティングに基づくビジョントランスフォーマであるGLFSを提案し,ガウス光線スプラッティングからの連続的な物理照明モデリングをトランスフォーマアーキテクチャに統合する。
GLFSでは、シーン照明は異方性ガウス基底関数の重ね合わせによって表現される。
物理誘導バイアスは自己アテンションに導入され、空間ゲイン場を適応的に推論し、複雑な照明下での正確かつ均一な復元を可能にする。
増色時の色バイアスと構造劣化を低減するため、色ベクトル角損失と輝度エッジ損失をさらに発展させる。
これらの損失は色相の整合性を強制し、局所的な詳細の構造的忠実性を改善する。
広範囲にわたるアブレーション研究と定量的評価により、GLFSは照明補正とディテール保存において明確な利点をもたらすことが示された。
最先端の性能を実現し、低照度画像強調のための新しい表現パラダイムを提供する。
関連論文リスト
- AIGS-Net: Compact Illumination Field Modeling via 2D Gaussian Splatting for Fast Low-Light Image Enhancement [19.712825613823778]
本稿では,高速低照度化のための適応照明ガウス格子ネットワーク(AIGS-Net)を提案する。
従来の静的プリミティブとは異なり、AIGS-Netは入力適応型2Dガウス散乱照明場を構築する。
実験によると、AIGS-Netは、約40の学習可能なパラメータしか必要とせず、ディテールリカバリと色忠実度を改善する。
論文 参考訳（メタデータ） (2026-06-16T14:45:55Z) - Continuous Splatting meets Retinex: Continuous Gaussian Splatting and Implicit Reflectance Modeling for Low-Light Image Enhancement [25.472500911155347]
低照度画像強調は、低照度観測から鮮明な画像を復元することを目的としている。
既存の手法では、グローバルな滑らかな照明調整と局所的な高周波ディテール回復のバランスをとる際に、色歪みや構造的アーティファクトに頻繁に遭遇する。
我々は,CGS-Retinexを,明示的単純関節モデルに基づく最初の低照度画像強調フレームワークとして提案する。
論文 参考訳（メタデータ） (2026-06-15T03:19:28Z) - GraspALL: Adaptive Structural Compensation from Illumination Variation for Robotic Garment Grasping in Any Low-Light Conditions [55.86392310651848]
低照度シーンにおける照明の低減は、衣服の構造的特徴を著しく劣化させ、ロバストさの獲得に大きな低下をもたらした。
既存の手法は、非RGBモダリティの照明不変性を利用して、RGBの特徴を高めるのが一般的である。
照明構造を考慮した対話型補償モデルGraspALLを提案する。
自作の衣服把握データセットの実験では、多様な照明条件下では、ベースラインよりも32-44%グリップ精度が向上することが示されている。
論文 参考訳（メタデータ） (2026-03-16T03:38:38Z) - Unifying Color and Lightness Correction with View-Adaptive Curve Adjustment for Robust 3D Novel View Synthesis [73.27997579020233]
多様な照明条件下での堅牢なNVSのための3DGSベースのフレームワークであるLuminance-GS++を提案する。
本手法は,グローバルな視野適応光度調整と局所画素ワイド残差補正を組み合わせ,正確な色補正を行う。
論文 参考訳（メタデータ） (2026-02-20T16:20:50Z) - GLOW: Global Illumination-Aware Inverse Rendering of Indoor Scenes Captured with Dynamic Co-Located Light & Camera [18.90141473604964]
室内シーンの逆レンダリングは、反射率と照明のあいまいさのため、依然として困難である。
GLOWは、これらの課題に対処するために設計された、Global Illumination-aware Inverse Renderingフレームワークである。
論文 参考訳（メタデータ） (2025-11-28T03:24:12Z) - 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) - 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) - Low-Light Image Enhancement with Illumination-Aware Gamma Correction and
Complete Image Modelling Network [69.96295927854042]
低照度環境は通常、情報の少ない大規模な暗黒地帯に繋がる。
本稿では,ガンマ補正の有効性を深層ネットワークのモデリング能力と統合することを提案する。
指数関数演算は高い計算複雑性をもたらすので、Taylor Series を用いてガンマ補正を近似することを提案する。
論文 参考訳（メタデータ） (2023-08-16T08:46:51Z) - 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)
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。