論文の概要: Geometry-aware Depth-guided Representation Learning for Structure-preserving Low-light Image Enhancement

• arxiv url: http://arxiv.org/abs/2607.05005v1
• Date: Mon, 06 Jul 2026 12:46:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.150836
• Title: Geometry-aware Depth-guided Representation Learning for Structure-preserving Low-light Image Enhancement
• Title（参考訳）: 構造保存型低照度画像強調のための幾何学的深度誘導型表現学習
• Authors: Fang Gao, Jiongkai Qin, Jiabao Wang, Jingfeng Tang, Ming Cheng, Hanbo Zheng, Qingbao Huang, Cheng Wu,
• Abstract要約: 低照度劣化は、視覚表現とシーン理解にとって重要な構造的手がかりを弱める。 既存の低照度画像強調法は主に外観復元に焦点を当てている。 本稿では、幾何学的低照度画像強調のためのDepth-guided Multi-scale Attention Network (DMSA-Net)を提案する。
• 参考スコア（独自算出の注目度）: 21.407073477296553
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-light degradation reduces image visibility and weakens structural cues that are important for visual representation and scene understanding. Existing low-light image enhancement methods mainly focus on appearance restoration, while insufficiently exploiting scene geometry to preserve structural consistency. To address this limitation, this paper proposes a Depth-guided Multi-scale Attention Network (DMSA-Net) for geometry-aware low-light image enhancement. DMSA-Net introduces depth-related structural priors into low-light representation learning through reflectance-geometry interaction. A Retinex-based decomposition module is first used to obtain illumination-invariant reflectance representations, from which depth cues are inferred to characterize scene structure under degraded illumination. A multi-scale depth-guided fusion strategy is then embedded into a hierarchical encoder-decoder architecture, where depth-aware attention adaptively integrates geometric and appearance features. Experiments on several benchmark datasets show that DMSA-Net achieves effective low-light restoration while improving structural preservation. Moreover, we construct LOL-D, a depth-augmented low-light dataset, to facilitate research on geometry-aware low-light vision.
• Abstract（参考訳）: 低照度劣化は画像の可視性を低下させ、視覚表現やシーン理解に重要な構造的手がかりを弱める。 既存の低照度画像強調法は主に外観復元に重点を置いているが、構造的整合性を維持するためにシーン形状を十分に活用していない。 この制限に対処するために、幾何学的低照度画像強調のためのDepth-guided Multi-scale Attention Network (DMSA-Net)を提案する。 DMSA-Netは、反射-幾何相互作用による低照度表現学習に奥行きに関連した構造的先行性を導入している。 Retinexベースの分解モジュールは、まず照明不変反射率表現を得るために使用され、そこから奥行きを推定して、劣化した照明下でのシーン構造を特徴づける。 マルチスケールの深度誘導融合戦略を階層型エンコーダデコーダアーキテクチャに組み込み、深度認識の注意が幾何学的特徴と外観的特徴を適応的に統合する。 いくつかのベンチマークデータセットの実験では、DMSA-Netは構造保存を改善しつつ、効果的な低照度復元を実現している。 さらに,低光深度データセットであるLOL-Dを構築し,幾何認識型低光ビジョンの研究を容易にする。

関連論文リスト

• DepR: Depth Guided Single-view Scene Reconstruction with Instance-level Diffusion [59.25479674775212]
  DepRは深度誘導のシングルビューシーン再構築フレームワークである。 個々のオブジェクトを生成し、それらをコヒーレントな3Dレイアウトに構成する。 限られた合成データで訓練されているにもかかわらず、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-07-30T16:40:46Z)
• Detail-aware multi-view stereo network for depth estimation [4.8203572077041335]
  粗大なフレームワークを用いた細部対応多視点ステレオネットワーク(DA-MVSNet)を提案する。 粗い段階で隠された幾何学的深さの手がかりを用いて、幾何学的構造関係を維持する。 DTU と Tanks & Temples のデータセットを用いた実験により,本手法が競争力を発揮することを示す。
  論文  参考訳（メタデータ） (2025-03-31T03:23:39Z)
• Geometric-Aware Low-Light Image and Video Enhancement via Depth Guidance [18.53129883617326]
  低照度向上(LLE)は、低照度条件下で撮影された写真やビデオの品質向上を目的としている。 既存のLLE法の多くは幾何学的モデリングを生かしていない点に注意が必要である。 本稿では,LLEの低照度化モデルの学習を支援するために,GG-LLERF(Geometry-Guided Low-Light Enhancement Refine Framework)を提案する。
  論文  参考訳（メタデータ） (2023-12-26T02:45:47Z)
• Enhancing Low-light Light Field Images with A Deep Compensation Unfolding Network [52.77569396659629]
  本稿では,低光環境下で撮像した光場(LF)画像の復元に,DCUNet(Deep compensation network openfolding)を提案する。 このフレームワークは、中間拡張結果を使用して照明マップを推定し、展開プロセスで新しい拡張結果を生成する。 本稿では,LF画像の特徴を適切に活用するために,擬似明示的特徴相互作用モジュールを提案する。
  論文  参考訳（メタデータ） (2023-08-10T07:53:06Z)
• Real Image Restoration via Structure-preserving Complementarity Attention [10.200625895876023]
  本稿では,高密度モジュールとスパースモジュールを含む軽量なコンプレメンタリアテンションモジュールを提案する。 そこで,本論文では,勾配に基づく構造保存分岐を構築した。
  論文  参考訳（メタデータ） (2022-07-28T04:24:20Z)
• Learning Deep Context-Sensitive Decomposition for Low-Light Image Enhancement [58.72667941107544]
  典型的なフレームワークは、照明と反射を同時に推定することであるが、特徴空間にカプセル化されたシーンレベルの文脈情報を無視する。 本研究では,空間スケールにおけるシーンレベルのコンテキスト依存を生かした,コンテキスト依存型分解ネットワークアーキテクチャを提案する。 チャネル数を減らして軽量なCSDNet(LiteCSDNet)を開発する。
  論文  参考訳（メタデータ） (2021-12-09T06:25:30Z)
• RigNet: Repetitive Image Guided Network for Depth Completion [20.66405067066299]
  近年のアプローチは、高密度な結果を予測するためのイメージガイド学習に重点を置いている。 ぼやけたイメージガイダンスとオブジェクト構造は、まだイメージガイドされたフレームワークのパフォーマンスを妨げている。 画像案内ネットワークにおける反復的な設計を探索し,徐々に深度値の回復を図る。 提案手法は,NYUv2データセットの最先端化を実現し,提出時のKITTIベンチマークで1位にランクインする。
  論文  参考訳（メタデータ） (2021-07-29T08:00:33Z)
• Deep 3D Capture: Geometry and Reflectance from Sparse Multi-View Images [59.906948203578544]
  本稿では,任意の物体の高品質な形状と複雑な空間変化を持つBRDFを再構成する学習に基づく新しい手法を提案する。 まず、深層多視点ステレオネットワークを用いて、ビューごとの深度マップを推定する。 これらの深度マップは、異なるビューを粗く整列するために使用される。 本稿では,新しい多視点反射率推定ネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-03-27T21:28:54Z)

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。