論文の概要: MambaLIE: Scene Light Intensity-Boosted Low-Light Image Enhancement with State Space Model

• arxiv url: http://arxiv.org/abs/2607.03013v1
• Date: Fri, 03 Jul 2026 06:46:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.497147
• Title: MambaLIE: Scene Light Intensity-Boosted Low-Light Image Enhancement with State Space Model
• Title（参考訳）: MambaLIE:Scene Light Intensity-Boosted Low-Light Image Enhancement with State Space Model
• Abstract要約: MambaLIEは、状態空間モデル(SSM)に基づく光強度ブースト低光画像強調手法である 計算効率を維持しながら照明をより良くモデル化するために,局所拡張状態空間モデル(LESSM)を提案する。 我々のLESSMには、SSMブランチとLocal Enhancedブランチという2つのブランチがあります。
• 参考スコア（独自算出の注目度）: 21.71348874208162
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Images captured by consumer electronic devices, such as mobile phones and digital cameras, often suffer from low-light degradation due to sensor limitations and imaging pipelines, which degrades visual quality and affects downstream vision tasks. Existing methods based on Convolutional Neural Networks (CNNs) and Transformers have dominated current low-light image enhancement (LIE) due to their excellent ability to model hierarchical features. However, CNNs operate in local receptive fields that cannot model long-range dependencies, while Transformers overcome this problem but incur substantial computational costs. To address these challenges, we propose MambaLIE, a Scene Light Intensity-Boosted Low-Light Image Enhancement method based on a State Space Model (SSM). We first introduce scene light intensity to improve the structural distribution of illumination, which is then gated with the low-light input to guide enhancement. To better model the illumination while maintaining computational efficiency, we propose the Locally Enhanced State Space Model (LESSM) for efficient light enhancement. Our LESSM contains two branches: an SSM branch and a Local Enhanced branch, where the former is used to model the long-range dependencies with linear time complexity, while the latter is used to enhance local feature representations. Extensive experiments demonstrate that MambaLIE outperforms state-of-the-art CNN-based and Transformer-based LIE methods on four widely used synthetic benchmarks and five publicly available real-world benchmarks in terms of accuracy, speed, and model size, making it suitable for practical deployment on resource-constrained devices.
• Abstract（参考訳）: 携帯電話やデジタルカメラなどの消費者向け電子機器によって撮影された画像は、センサーの制限や撮像パイプラインによる低照度劣化に悩まされ、視覚的品質が低下し、下流の視覚タスクに影響を及ぼす。 畳み込みニューラルネットワーク(CNN)とトランスフォーマーに基づく既存の手法は、階層的特徴をモデル化する能力に優れており、現在の低照度画像強調(LIE)を支配している。 しかし、CNNは長距離依存をモデル化できない局所受容領域で動作し、トランスフォーマーはこの問題を克服するが、かなりの計算コストを発生させる。 これらの課題に対処するために、状態空間モデル(SSM)に基づくScene Light Intensity-Boosted Low-Light Image Enhancement法であるMambaLIEを提案する。 まず、照明の構造分布を改善するためにシーン光の強度を導入し、低照度入力でゲートしてエンハンスメントを誘導する。 効率的な光強調のための局所拡張状態空間モデル(LESSM)を提案する。 我々のLESSMには、SSMブランチとLocal Enhancedブランチという2つのブランチがあります。 大規模な実験により、MambaLIEは4つの広く使用されている合成ベンチマークと5つの一般公開された実世界のベンチマークにおいて、最先端のCNNベースのLIEメソッドとトランスフォーマーベースのLIEメソッドよりも精度、速度、モデルサイズに優れており、リソース制約のあるデバイスへの実践的なデプロイに適していることが示されている。

関連論文リスト

• Towards Scale-Aware Low-Light Enhancement via Structure-Guided Transformer Design [13.587511215001115]
  現在の低照度画像強調(LLIE)技術は、ローライト(LL)からノーマルライト(NL)へのマッピングや、セマンティックな特徴や照明マップからのガイダンスに依存している。 SG-LLIEはCNN-Transformerのマルチスケールなハイブリッドフレームワークである。 NTIRE 2025 Low-Light Enhancement Challengeで2位にランクインした。
  論文  参考訳（メタデータ） (2025-04-18T20:57:16Z)
• DLEN: Dual Branch of Transformer for Low-Light Image Enhancement in Dual Domains [0.0]
  低照度画像強調(LLE)は、低照度条件下で撮影された画像の視覚的品質を改善することを目的としている。 これらの問題は、物体検出、顔認識、自律運転などのコンピュータビジョンタスクのパフォーマンスを妨げる。 本稿では,2つの異なる注意機構を組み込んだ新しいアーキテクチャであるDual Light Enhance Network(DLEN)を提案する。
  論文  参考訳（メタデータ） (2025-01-21T15:58:16Z)
• Cross-Scan Mamba with Masked Training for Robust Spectral Imaging [51.557804095896174]
  本研究では,空間スペクトルSSMを用いたクロススキャンマンバ(CS-Mamba)を提案する。 実験の結果, CS-Mambaは最先端の性能を達成し, マスク付きトレーニング手法によりスムーズな特徴を再構築し, 視覚的品質を向上させることができた。
  論文  参考訳（メタデータ） (2024-08-01T15:14:10Z)
• LDM-ISP: Enhancing Neural ISP for Low Light with Latent Diffusion Models [54.93010869546011]
  本稿では,事前学習した潜伏拡散モデルを用いて,超低照度画像の高精細化のためのニューラルISPを実現することを提案する。 具体的には、RAWドメイン上で動作するために事前訓練された潜在拡散モデルを調整するために、軽量なテーミングモジュールのセットをトレーニングする。 遅延拡散モデルにおけるUNet復調と復号化の異なる役割を観察し、低照度画像強調タスクを遅延空間低周波コンテンツ生成と復号位相高周波ディテール保守に分解するきっかけとなる。
  論文  参考訳（メタデータ） (2023-12-02T04:31:51Z)
• 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)
• Ultra-High-Definition Low-Light Image Enhancement: A Benchmark and Transformer-Based Method [51.30748775681917]
  低照度画像強調(LLIE)の課題を考察し,4K解像度と8K解像度の画像からなる大規模データベースを導入する。 我々は、系統的なベンチマーク研究を行い、現在のLLIEアルゴリズムと比較する。 第2のコントリビューションとして,変換器をベースとした低照度化手法であるLLFormerを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T09:05:07Z)

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。