論文の概要: LUMINA-26: Low-Light Understanding for Modeling and Interpreting Night-time Actions

• arxiv url: http://arxiv.org/abs/2606.23118v1
• Date: Mon, 22 Jun 2026 10:03:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 00:03:07.434227
• Title: LUMINA-26: Low-Light Understanding for Modeling and Interpreting Night-time Actions
• Title（参考訳）: LUMINA-26:夜間動作のモデル化と解釈のための低照度理解
• Authors: Aman Kumar Pandey, Anil Singh Parihar,
• Abstract要約: 低照度人間の行動認識は、照明不足、雑音の増幅、動きのあいまいさ、様々な現実世界のシーンのために依然として困難な問題である。 既存の低照度データセットは、十分なアクションの多様性、リアリズムのキャプチャ、バランスの取れたクラス分布を欠いていることが多い。 LUMINA-26: Low-Light Understanding for Modeling and Night Interpreting-time Actions, including 6,784 clips across 26 action classes。
• 参考スコア（独自算出の注目度）: 1.4838266358702548
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Low-light human action recognition remains a challenging problem due to poor illumination, amplified noise, motion ambiguity, and diverse real-world scenes. Existing low-light datasets often lack sufficient action diversity, capture realism, or balanced class distribution, limiting the development of robust models. To address this, we introduce LUMINA-26: Low-Light Understanding for Modeling and Interpreting Night-time Actions, comprising 6,784 clips across 26 action classes, recorded from 22 subjects across 20 indoor and outdoor locations under naturally occurring low-light conditions. We also propose Illumi-Net: An Illumination-Adaptive Mixture-of-Experts Network, which leverages video-level illumination cues to guide adaptive enhancement and transformer-based spatio-temporal feature extraction, with expert-conditioned decision fusion. Our method surpasses previous state-of-the-art performance on ELLAR (Top-1: 55.13%, Top-5: 78.87%) and establishes a strong baseline on LUMINA-26 (Top-1: 75.95%, Top-5: 93.58%), offering a practical benchmark for future low-light action recognition research.
• Abstract（参考訳）: 低照度人間の行動認識は、照明不足、雑音の増幅、動きのあいまいさ、様々な現実世界のシーンのために依然として困難な問題である。 既存の低照度データセットは、十分なアクションの多様性、リアリズムのキャプチャ、あるいはバランスの取れたクラス分布を欠いていることが多く、堅牢なモデルの開発を制限している。 そこで, LUMINA-26: Low-Light Understanding for Modeling and Interpreting Night-time Actions: includes 6,784 clips across 26 action Classs, recorded from 22 subjects across 20 indoor and outdoor locations under natural occurring Low-light conditions。 またIllumi-Net: An Illumination-Adaptive Mixture-of-Experts Networkを提案する。 本手法は従来のELAR(Top-1: 55.13%, Top-5: 78.87%)の性能を上回り、LUMINA-26(Top-1: 75.95%, Top-5: 93.58%)の強力なベースラインを確立し、将来の低照度動作認識研究のための実用的なベンチマークを提供する。

関連論文リスト

• Internalizing World Models via Self-Play Finetuning for Agentic RL [65.96875390986655]
  エージェントとしての大規模言語モデル(LLM)は、しばしばアウト・オブ・ディストリビューション(OOD)のシナリオで苦労する。 状態表現と遷移モデリングという2つのコンポーネントに分解することで、この世界モデルをエンコードする方法を示す。 SPAは,世界モデルを学習するために,セルフプレイ指導による微調整段階を通じてポリシーを冷やし始める,シンプルな強化学習フレームワークである。
  論文  参考訳（メタデータ） (2025-10-16T18:03:39Z)
• DepthDark: Robust Monocular Depth Estimation for Low-Light Environments [28.45734920093837]
  低照度単分子深度推定のための頑健な基礎モデルDepthDarkを提案する。 まず、夜間条件下での撮像過程を正確にシミュレートするフレア・シミュレート・モジュールとノイズ・シミュレート・モジュールを導入する。 次に、照明誘導とマルチスケール特徴融合を利用して、低照度環境におけるモデルの能力を高める効果的な低照度PEFT戦略を提案する。
  論文  参考訳（メタデータ） (2025-07-24T09:32:53Z)
• OwlSight: A Robust Illumination Adaptation Framework for Dark Video Human Action Recognition [19.035892288559975]
  OwlSightはバイオミメティクスにインスパイアされたフレームワークで、全ステージ照明を増強し、正確な暗ビデオ人間の行動認識のための分類アクションと対話する。 Dark-101は101のアクションカテゴリにまたがる18,310のダークビデオからなる大規模なデータセットです。 特に、ARID1.5では5.36%、Dark-101では1.72%、ダーク環境では1.72%、従来のベストアプローチでは5.36%を上回っている。
  論文  参考訳（メタデータ） (2025-03-30T00:54:22Z)
• DAP-LED: Learning Degradation-Aware Priors with CLIP for Joint Low-light Enhancement and Deblurring [14.003870853594972]
  DAP-LEDと呼ばれる新しい変圧器を用いた共同学習フレームワークを提案する。 低照度向上と劣化を共同で達成することができ、深度推定、セグメンテーション、暗黒での検知といった下流タスクの恩恵を受けることができる。 重要な洞察は、CLIPを活用して、夜間に画像から劣化レベルを適応的に学習することだ。
  論文  参考訳（メタデータ） (2024-09-20T13:37:53Z)
• Domain-Adaptive 2D Human Pose Estimation via Dual Teachers in Extremely Low-Light Conditions [65.0109231252639]
  低照度ポーズ推定の最近の研究は、トレーニングのために地上の真実とペアの明るい画像と低照度画像を使用する必要がある。 我々の主な新規性は、2つの補完的な教員ネットワークを活用して、より信頼性の高い擬似ラベルを生成することである。 本手法は最新技術(SOTA)法に対して6.8%(2.4 AP)の改善を達成した。
  論文  参考訳（メタデータ） (2024-07-22T08:09:14Z)
• A Lightweight Low-Light Image Enhancement Network via Channel Prior and Gamma Correction [0.0]
  LLIE(ローライト・イメージ・エンハンスメント)とは、低照度シーンの処理に適した画像エンハンスメント技術である。 我々は,暗/明のチャネル先行と深層学習によるガンマ補正を組み合わせた,革新的なLLIEネットワークであるCPGA-Netを紹介する。
  論文  参考訳（メタデータ） (2024-02-28T08:18:20Z)
• Relightable Neural Actor with Intrinsic Decomposition and Pose Control [80.06094206522668]
  提案するRelightable Neural Actorは、ポーズ駆動型ニューラルヒューマンモデルを学ぶための新しいビデオベース手法である。 トレーニングのためには、既知のが静的な照明条件下での人間のマルチビュー記録のみを必要とする。 実世界のシナリオにおける我々のアプローチを評価するため、屋内と屋外の異なる光条件下で記録された4つのアイデンティティを持つ新しいデータセットを収集した。
  論文  参考訳（メタデータ） (2023-12-18T14:30:13Z)
• From Generation to Suppression: Towards Effective Irregular Glow Removal for Nighttime Visibility Enhancement [22.565044107631696]
  既存の低照度画像強調法 (LLIE) は、主に暗黒領域の明るさを改善するために設計されている。 これらの手法は、他の大きな視界の損傷である、夜間の夜景における光の影響を限定的に探究することができる。 大気点拡散関数(APSF)に基づく多重散乱推定による物理光発生の学習法を提案する。 提案手法はゼロショット学習に基づいており、ペアやアンペアのトレーニングデータに頼らず、光抑制と低照度強化の両方において提案手法の有効性を実証的に評価する。
  論文  参考訳（メタデータ） (2023-07-31T15:51:15Z)
• HLA-Face: Joint High-Low Adaptation for Low Light Face Detection [81.27320441104828]
  低照度シナリオでの顔検出は困難だが、監視ビデオや夜間の自律運転など、多くの実用化には不可欠である。 既存の顔検出装置のほとんどは広範なアノテーションに大きく依存しているが、データ収集には時間がかかり、手間がかかる。 我々は、既存の通常の光データを完全に活用し、通常の光から低光への顔検出器の適応方法を探る。
  論文  参考訳（メタデータ） (2021-04-05T16:20:57Z)
• 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。