論文の概要: Enlight: Fast Low-Light Image Enhancement via Multi-Objective Optimization and Shadow-Aware Refinement
- arxiv url: http://arxiv.org/abs/2606.21674v1
- Date: Fri, 19 Jun 2026 18:29:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 04:05:28.560381
- Title: Enlight: Fast Low-Light Image Enhancement via Multi-Objective Optimization and Shadow-Aware Refinement
- Title（参考訳）: Enlight:多目的最適化とシャドウ・アウェア・リファインメントによる高速低照度画像強調
- Authors: Nirjhor Datta, M. Sohel Rahman,
- Abstract要約: 我々は、目標の直接最適化に基づく低照度画像強調のための高速で訓練可能なフリーフレームワークENLIGHTを提案する。
大規模なトレーニングデータと監視を必要とするディープラーニングアプローチとは異なり、ENLIGHTは推論時に画像品質を最適化することでゼロショットで運用する。
- 参考スコア（独自算出の注目度）: 0.48495505229708397
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present ENLIGHT, a fast and training free framework for low-light image enhancement based on direct optimization of a perceptual objective. Unlike deep learning approaches that require large scale training data and supervision, ENLIGHT operates in a zero-shot manner by optimizing image quality at inference time. The method employs a two stage global to local optimization strategy. In the first stage, ENLIGHT performs global illumination adjustment to improve visibility while maintaining structural consistency and avoiding excessive noise enhancement. In the second stage, a shadow aware refinement selectively improves low-intensity regions through masked local optimization, enhancing visibility without overexposure. To balance quality and efficiency, we introduce two modes: Fast, which uses a multi-objective formulation combining entropy, gradient preservation, and noise regularization, and Ultrafast, which reduces computational cost via a lightweight approximation of the same objective. The framework is optimizer agnostic and supports both evolutionary and lightweight local search methods. Experiments on BAID, Backlit300, LIME, MEF, NPE, and DICM demonstrate that ENLIGHT achieves competitive perceptual quality (MUSIQ, NIQE, BRISQUE) with significantly lower inference time. Qualitative results further show improved contrast, preserved structural details, and controlled noise amplification, making ENLIGHT a practical and interpretable alternative to learning based methods.
- Abstract（参考訳）: 感性目的の直接最適化に基づく低照度画像強調のための高速で訓練可能なフリーフレームワークENLIGHTを提案する。
大規模なトレーニングデータと監視を必要とするディープラーニングアプローチとは異なり、ENLIGHTは推論時に画像品質を最適化することでゼロショットで運用する。
この手法は2段階のグローバルな局所最適化戦略を採用している。
第1段階では、ENLIGHTは、構造的整合性を維持し、過度な騒音の強化を回避しつつ、可視性を向上させるために、グローバル照明調整を行う。
第2段階では、影認識補正がマスクされた局所最適化により低強度領域を選択的に改善し、露出過多を伴わない視認性を向上する。
エントロピー, 勾配保存, 雑音正規化を組み合わせた多目的定式化を併用したFastと, 同じ目的の軽量近似を用いて計算コストを削減するUltrafastという2つのモードを導入する。
このフレームワークはオプティマイザ非依存であり、進化的および軽量なローカル検索方法の両方をサポートしている。
BAID, Backlit300, LIME, MEF, NPE, DICM を用いた実験により,ENLIGHT は推定時間を大幅に低減した競合知覚品質 (MUSIQ, NIQE, BRISQUE) を実現することを示した。
定性的な結果はさらに、コントラストの改善、構造的詳細の保存、騒音増幅の制御が示され、ENLIGHTは学習ベースの方法に代わる実用的で解釈可能な代替手段となる。
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) - FLARE-BO: Fused Luminance and Adaptive Retinex Enhancement via Bayesian Optimisation for Low-Light Robotic Vision [3.490087692799367]
本稿では, ガンマ補正, LIMEスタイルの照明正規化, クロミナンス・デノナイジング, 両側フィルタリング, NLMデノナイジング, グレイワールド自動ホワイトバランス, 適応ポストスムーシングにまたがる8つのパラメータを共同で最適化するフレームワークであるFLARE-BOを提案する。
その結果、提案手法は、このデータセットを用いて特に訓練されていない既存の手法よりも大幅に改善された。
論文 参考訳（メタデータ） (2026-04-23T21:51:22Z) - 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) - Striving for Faster and Better: A One-Layer Architecture with Auto Re-parameterization for Low-Light Image Enhancement [50.93686436282772]
我々は、視覚的品質と計算効率の両方から、画像エンハンサーの限界を掘り下げることを目指している。
タスク要求を再考することにより、視覚的品質と計算効率がモデル学習と構造設計に対応する、明示的な接続を構築する。
最終的には、単一の畳み込み層のみを使用して、優れた視覚的品質を維持しながら、効率的な低照度画像強調を実現する。
論文 参考訳（メタデータ） (2025-02-27T08:20:03Z) - Unsupervised Low-light Image Enhancement with Lookup Tables and Diffusion Priors [38.96909959677438]
低照度画像強調(LIE)は、低照度環境において劣化した画像を高精度かつ効率的に回収することを目的としている。
近年の先進的なLIE技術は、多くの低正規の光画像対、ネットワークパラメータ、計算資源を必要とするディープニューラルネットワークを使用している。
拡散先行とルックアップテーブルに基づく新しい非教師付きLIEフレームワークを考案し,低照度画像の効率的な回復を実現する。
論文 参考訳（メタデータ） (2024-09-27T16:37:27Z) - 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) - Learning a Single Convolutional Layer Model for Low Light Image
Enhancement [43.411846299085575]
低照度画像強調(LLIE)は、光照射不足による画像の照度向上を目的としている。
粗く強化された結果として,グローバルな低照度化を実現する単一畳み込み層モデル(SCLM)を提案する。
実験結果から,提案手法は客観的指標と主観的視覚効果の両方において,最先端のLLIE法に対して良好に機能することが示された。
論文 参考訳（メタデータ） (2023-05-23T13:12:00Z) - 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) - The Loop Game: Quality Assessment and Optimization for Low-Light Image Enhancement [17.874116769066095]
低照度画像強調手法の設計と最適化は知覚品質によって完全に駆動される必要があるという認識がますます高まっている。
本稿では,低照度画像の高画質化が視覚的品質の向上にどのように最適化されるかを示すループ拡張フレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-20T06:20:06Z) - CERL: A Unified Optimization Framework for Light Enhancement with
Realistic Noise [81.47026986488638]
現実世界で撮影された低照度画像は、センサーノイズによって必然的に破損する。
既存の光強調法は、拡張中の現実世界のノイズの重要な影響を見落としているか、ノイズ除去を別の前処理または後処理のステップとして扱うかのどちらかである。
実世界の低照度雑音画像(CERL)のコーディネート・エンハンスメントを行い,光強調部と雑音抑制部を一体化・物理接地したフレームワークにシームレスに統合する。
論文 参考訳（メタデータ） (2021-08-01T15:31:15Z) - 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。