論文の概要: EvLIR: Learning Illumination Residuals from Ordered Events for Low-Light Image Enhancement
- arxiv url: http://arxiv.org/abs/2606.29430v1
- Date: Sun, 28 Jun 2026 14:47:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.910537
- Title: EvLIR: Learning Illumination Residuals from Ordered Events for Low-Light Image Enhancement
- Title（参考訳）: EvLIR:低照度画像強調のための順序付きイベントからの照度残差学習
- Abstract要約: EvLIRは、低照度画像強調のための順序付けられたイベントから照明残差を学習する。
SDEおよびSDSD屋内/屋外ベンチマークでは、EvLIRは12組のデータセットメトリックペアのうち11組で最高の結果を得る。
- 参考スコア（独自算出の注目度）: 13.751247283539177
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Low-light image enhancement is severely ill-posed when the input frame contains missing structure, saturated noise, and weak local contrast. Event cameras provide asynchronous brightness-change observations with high temporal resolution, but prior works often treat voxel channels as an unordered or static feature stack before fusion, rather than explicitly modeling their within-window temporal evolution, weakening the temporal evidence that makes events useful. We propose EvLIR, a temporal-residual enhancement framework that learns illumination residuals from ordered events for low-light image enhancement. Given a low-light frame and its aligned event voxel, EvLIR preserves the ordered temporal bins of the event stream and introduces a Temporal Event Residual Module (TERM) to encode short-window event dynamics with a lightweight ConvGRU. The resulting temporal state is converted into a bounded illumination correction, which provides spatially adaptive photometric guidance for Retinex-style illumination estimation and subsequent reliability-aware image-event restoration. On SDE and SDSD indoor/outdoor benchmarks, EvLIR achieves the best result on eleven of twelve dataset-metric pairs, with average scores of 25.63~dB PSNR, 28.30~dB PSNR*, and 0.827 SSIM across the four benchmarks.
- Abstract（参考訳）: 低照度画像強調は、入力フレームが欠落した構造、飽和雑音、局所コントラストが弱い場合に深刻な悪影響を及ぼす。
イベントカメラは、高時間分解能の非同期輝度変化観察を提供するが、以前の研究では、ボクセルチャネルを風内部の時間進化を明示的にモデル化するよりも、融合前の無秩序または静的な特徴スタックとして扱うことが多く、イベントを有用にする時間的証拠を弱める。
低照度画像強調のための順序付きイベントから照明残差を学習する時間的残差強調フレームワークであるEvLIRを提案する。
低照度フレームとその整列イベントボクセルが与えられたEvLIRは、イベントストリームの順序付けられたテンポラルビンを保持し、軽量なConvGRUでショートウィンドウイベントダイナミクスをエンコードするTemporal Event Residual Module (TERM)を導入する。
得られた時間状態は有界照明補正に変換され、レチネックス式照明推定とその後の信頼性認識画像の復元のための空間適応型測光ガイダンスが提供される。
SDEとSDSDの屋内/屋外ベンチマークでは、EvLIRは12組のデータセットメトリックペアのうち、平均スコアが25.63〜dB PSNR、28.30~dB PSNR*、0.827のSSIMで最高となる。
関連論文リスト
- LiveLight: Real-time Streaming Video Relighting with Interactive Control [50.08584152649119]
インタラクティブな3Dライティング制御を備えたリアルタイムストリーミングビデオリライティングのための,最初の拡散ベースのフレームワークであるLiveLightを紹介する。
拡散モデルに動的3D照明を効果的に注入し、低NFE予算下で高忠実度生成を維持し、対話型制御のための連続ストリーミングを容易にするという3つの重要な課題を克服する。
実世界のベンチマークと合成ベンチマークの実験は、LiveLightがリアルタイムに実行しながら最先端のリライト品質を達成することを示した。
論文 参考訳（メタデータ） (2026-08-03T06:45:00Z) - 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) - AdaFuse-Det: Adaptive Cross-Modal Fusion of Event Cameras for Robust Object Detection in Low-Light RGB Imagery [2.804640719143954]
本稿では、CLAHE強化RGBフレームとボキセル化イベントテンソルを融合したデュアルストリームフレームワークであるAdaFuse-Detを紹介する。
LLE-VOSベンチマークでは、AdaFuse-Detのリコールは65.54%、精度は53.85%、F1-Scoreは59.12%である。
論文 参考訳（メタデータ） (2026-05-23T18:01:48Z) - Event-Illumination Collaborative Low-light Image Enhancement with a High-resolution Real-world Dataset [74.66758770936579]
EIC-LIEはイベントイルミネーション協調LIEフレームワークである。
EIC-LIEは、5つの実世界および合成データセットで最先端の手法より優れている。
論文 参考訳（メタデータ） (2026-05-21T08:55:34Z) - 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) - CLIP-Guided Data Augmentation for Night-Time Image Dehazing [4.407514620852976]
本稿では,NTIRE 2026 Night Time Image Dehazing Challengeに対して,統合されたフレームワークとして構築したソリューションを提案する。
NAFNetは2つの段階でトレーニングされ、まずターゲットドメインに適応し、その後より広範な劣化パターンに拡張される。
推論時に、TLC、x8自己アンサンブル、重み付きスナップショット融合を組み合わせて出力安定性を向上させる。
論文 参考訳（メタデータ） (2026-04-07T06:43:24Z) - EvRWKV: A Continuous Interactive RWKV Framework for Effective Event-Guided Low-Light Image Enhancement [10.556338127441167]
イベントカメラは、輝度変化を非同期にキャプチャすることで、高ダイナミックレンジとマイクロ秒の時間分解能を提供する。
EvRWKVは、二重ドメイン処理による連続的な相互モーダル相互作用を実現する新しいフレームワークである。
我々は,EvRWKVが最先端性能を実現し,ノイズを抑制し,構造的詳細を復元し,低照度環境に挑戦する際の視覚的明瞭度を向上させることにより,画像品質を効果的に向上することを示す。
論文 参考訳（メタデータ） (2025-07-01T19:05:04Z) - 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) - Low-Light Image Enhancement using Event-Based Illumination Estimation [83.81648559951684]
低照度画像強調(LLIE)は、低照度環境で撮影された画像の可視性を改善することを目的としている。
本稿では,「時間的マッピング」イベントを用いた照明推定の観点から,新たな道を開く。
我々は、ビームスプリッターのセットアップを構築し、画像、時間的マッピングイベント、モーションイベントを含むEvLowLightデータセットを収集する。
論文 参考訳（メタデータ） (2025-04-13T00:01:33Z) - Implicit Event-RGBD Neural SLAM [54.74363487009845]
神経性SLAMは近年顕著な進歩を遂げている。
既存の手法は、非理想的なシナリオにおいて重大な課題に直面します。
本稿では,最初のイベントRGBD暗黙的ニューラルSLAMフレームワークであるEN-SLAMを提案する。
論文 参考訳（メタデータ） (2023-11-18T08:48:58Z) - 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) - ESL: Event-based Structured Light [62.77144631509817]
イベントカメラはバイオインスパイアされたセンサーであり、標準的なカメラよりも大きな利点がある。
本稿では,イベントカメラを用いた新しい構造化光システムを提案し,高精度かつ高速な深度センシングの課題に対処する。
論文 参考訳（メタデータ） (2021-11-30T15:47:39Z)
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。