論文の概要: EeveeDark: A Binary Neural Framework for Low-Light Video Enhancement via Event-Guided Sensor-Level Fusion

• arxiv url: http://arxiv.org/abs/2607.06217v1
• Date: Tue, 07 Jul 2026 12:41:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.512611
• Title: EeveeDark: A Binary Neural Framework for Low-Light Video Enhancement via Event-Guided Sensor-Level Fusion
• Title（参考訳）: EeveeDark: イベントガイド型センサレベル融合による低照度ビデオ強調のためのバイナリニューラルネットワークフレームワーク
• Abstract要約: 本稿では,センサレベルのRAWデータの豊かさとイベントストリームの時間的精度を組み合わせた低照度ビデオ拡張フレームワークであるNeuralDarkを紹介する。 我々のモデルの中心は、重みとアクティベーションの定量化によって計算オーバーヘッドを低減するバイナリネットワーク(BNN)アーキテクチャである。
• 参考スコア（独自算出の注目度）: 20.168125532652812
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Enhancing videos under extreme low-light conditions remains challenging due to the difficulty of balancing restoration quality and computational efficiency in resource-constrained settings. This paper introduces EeveeDark, a low-light video enhancement framework that combines the spatial richness of sensor-level RAW data with the temporal precision of event streams. Central to our model is a Binary Neural Network (BNN) architecture that reduces computational overhead by quantizing weights and activations while preserving detail. EeveeDark incorporates (i) modality-specific binary encoders for processing RAW frames and event data, (ii) a lightweight fusion block for integrating spatial and temporal cues, and (iii) an event-guided skip gating mechanism for dynamic spatiotemporal refinement. Experiments on synthetic and real-world datasets show that EeveeDark outperforms prior BNN-based methods and offers a favorable performance-efficiency trade-off compared to full-precision models. The project page is available at https://cyberiada.github.io/EeveeDark.
• Abstract（参考訳）: 資源制約のある環境では、復元品質と計算効率のバランスをとるのが難しいため、極端に低照度な条件下での動画の強調は依然として困難である。 本稿では,センサレベルのRAWデータの空間的豊かさとイベントストリームの時間的精度を組み合わせた低照度映像強調フレームワークであるEeveeDarkを紹介する。 我々のモデルの中心はバイナリニューラルネットワーク(BNN)アーキテクチャで、詳細を保存しながら重みとアクティベーションを定量化することで計算オーバーヘッドを削減する。 EeveeDarkが組み込む (i)RAWフレームとイベントデータを処理するモダリティ特化バイナリエンコーダ (二)空間的・時間的手がかりを統合する軽量な融合ブロック、及び 三 動的時空間改善のためのイベント誘導型スキップゲーティング機構 合成および実世界のデータセットの実験では、EeveeDarkは以前のBNNベースの手法よりも優れており、フル精度のモデルと比較して、良好なパフォーマンスと効率のトレードオフを提供する。 プロジェクトのページはhttps://cyberiada.github.io/EeveeDark.comで公開されている。

関連論文リスト

• RayDer: Scalable Self-Supervised Novel View Synthesis from Real-World Video [24.21520175195074]
  RayDerは、カメラ推定、シーン再構築、レンダリングを単一のバックボーンに統合するフィードフォワードトランスフォーマーだ。 ニュアンス因子として扱われる最小の動的状態は、時間変化のあるコンテンツを吸収し、現実世界のビデオの安定したトレーニングを可能にする。 RayDerは、データと計算によるクリーンなパワーロースケーリングを示し、静的なシーンデータの混合よりも優れています。
  論文  参考訳（メタデータ） (2026-05-29T16:50:27Z)
• EvDiff: High Quality Video with an Event Camera [77.07279880903009]
  イベントからの強度画像の再構成は、絶対的な明るさのあいまいさが原因で、非常に不適切な作業である。 EvDiffはイベントベースの拡散モデルであり、高品質なビデオを作成するための代理トレーニングフレームワークに従う。
  論文  参考訳（メタデータ） (2025-11-21T18:49:18Z)
• CompEvent: Complex-valued Event-RGB Fusion for Low-light Video Enhancement and Deblurring [78.16703719473078]
  低照度劣化は、夜間監視や、薄暗い照明による自律走行など、アプリケーションに重大な課題をもたらす。 イベントデータとRGBフレームの全体的全プロセス融合を可能にする複雑なニューラルネットワークフレームワークであるCompEventを提案する。
  論文  参考訳（メタデータ） (2025-11-18T13:09:13Z)
• Rapid Salient Object Detection with Difference Convolutional Neural Networks [49.838283141381716]
  本稿では,資源制約のあるデバイスにSODをリアルタイムに展開する上での課題について述べる。 SODにおける従来の知恵と現代のCNNの表現力を組み合わせたネットワーク設計を提案する。
  論文  参考訳（メタデータ） (2025-07-01T20:41:05Z)
• DnLUT: Ultra-Efficient Color Image Denoising via Channel-Aware Lookup Tables [60.95483707212802]
  DnLUTは、リソース消費を最小限に抑えながら高品質なカラーイメージを実現する、超効率的なルックアップテーブルベースのフレームワークである。 Pairwise Channel Mixer(PCM)は、チャネル間の相関関係と空間的依存関係を並列に効果的にキャプチャし、L字型畳み込み設計により受容界のカバレッジを最大化する。 これらのコンポーネントをトレーニング後に最適化されたルックアップテーブルに変換することで、DnLUTは、CNNの競合であるDnCNNと比較して500KBのストレージと0.1%のエネルギー消費しか必要とせず、20倍高速な推論を実現している。
  論文  参考訳（メタデータ） (2025-03-20T08:15:29Z)
• EvLight++: Low-Light Video Enhancement with an Event Camera: A Large-Scale Real-World Dataset, Novel Method, and More [7.974102031202597]
  EvLight++は、現実のシナリオで堅牢なパフォーマンスのために設計された、イベント誘導型低照度ビデオ拡張アプローチである。 EvLight++は1.37dBと3.71dBの2つのイメージベースとビデオベースの両方で大幅に性能が向上した。
  論文  参考訳（メタデータ） (2024-08-29T04:30:31Z)
• Binarized Low-light Raw Video Enhancement [49.65466843856074]
  ディープニューラルネットワークは、低照度生ビデオの強化において優れたパフォーマンスを実現している。 本稿では,低照度生ビデオエンハンスメントに超コンパクトなバイナリニューラルネットワーク(BNN)を適用する可能性について検討する。
  論文  参考訳（メタデータ） (2024-03-29T02:55:07Z)
• 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)
• Optical flow estimation from event-based cameras and spiking neural networks [0.4899818550820575]
  イベントベースセンサーはスパイキングニューラルネットワーク(SNN)に最適である 教師付きトレーニング後,高密度光フロー推定が可能なU-NetライクなSNNを提案する。 分離可能な畳み込みにより、我々は、合理的に正確な光フロー推定が得られる光モデルを開発することができた。
  論文  参考訳（メタデータ） (2023-02-13T16:17:54Z)

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。