論文の概要: Why Low-Light Cameras Go Color Blind: Removing Color Bias in Raw Denoising

• arxiv url: http://arxiv.org/abs/2607.11090v1
• Date: Mon, 13 Jul 2026 04:58:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.333639
• Title: Why Low-Light Cameras Go Color Blind: Removing Color Bias in Raw Denoising
• Title（参考訳）: 低照度カメラが色まみれになる理由
• Authors: Mohammad Mohammadi, Sina Honari, Stavros Tsogkas, Tristan Aumentado-Armstrong, Michael S. Brown, Iqbal Mohomed, Konstantinos G. Derpanis, Alex Levinshtein, Igor Gilitschenski,
• Abstract要約: 低照度生雑音除去のためのカメラ非依存キャリブレーションフリーパラダイムを提案する。 ブラックレベルエラーからのカラーバイアスが性能劣化の主な原因であることを示す。 ELD, SID, LRIDデータセットにまたがるアプローチを検証し, 視覚障害者の間で優れた性能を示した。
• 参考スコア（独自算出の注目度）: 42.231128978265005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Raw images inherently suffer from noise due to the stochastic nature of light and sensor hardware imperfections. As real photon counts fall, the ratio of this noise to the signal degrades; consequently, for low-light conditions, robust denoising is especially vital for high-quality results. While recent data-driven methods achieve strong performance, they typically rely on large-scale noisy-clean image pairs that are costly and difficult to collect. Alternatively, parametric noise models can generate synthetic training data, but this necessitates precise camera calibration, which is often impractical for unknown devices. In this work, we propose a camera-agnostic, calibration-free paradigm for low-light raw denoising. We identify that color bias from black-level error is a primary source of performance degradation and causes severe color shifts. To mitigate this, we introduce a bias estimator network that predicts the black-level error as a global feature of the noisy input. We evaluate our approach across the ELD, SID, and LRID datasets, demonstrating superior performance among blind denoisers, particularly in terms of color correction. In many cases, we are competitive with-or can even surpass-methods with stronger supervision. Furthermore, we reveal that the widely used SIDD dataset contains significant color bias in its ground-truth images, which yields unrealistic color reproduction in trained models. We introduce a new ground-truth extraction framework to resolve this issue and provide a benchmark of existing methods on the corrected dataset.
• Abstract（参考訳）: 生画像は本質的に、光とセンサーハードウェアの不完全さの確率的な性質によってノイズに悩まされる。 実際の光子数が減少するにつれて、このノイズと信号の比率は低下し、その結果、低照度条件では、特に高品質な結果にはロバストなデノナイジングが不可欠である。 最近のデータ駆動方式は高いパフォーマンスを実現するが、一般的にはコストがかかり、収集が困難である大規模ノイズクリーンなイメージペアに依存している。 パラメトリックノイズモデルは、合成トレーニングデータを生成することができるが、これは正確なカメラキャリブレーションを必要とする。 本研究では,低照度生デノゲーションのためのカメラ非依存キャリブレーションフリーパラダイムを提案する。 ブラックレベルエラーによる色偏差が性能劣化の原因であり,色変化が重大であることを示す。 これを軽減するため,ノイズ入力のグローバルな特徴としてブラックレベル誤差を予測するバイアス推定器ネットワークを導入する。 ELD, SID, LRIDデータセットにまたがるアプローチを検証し, 特に色補正の点において, 視覚障害者の間で優れた性能を示した。 多くの場合、私たちは競争力を持つか、より強い監督力を持つメソッドを超えることができる。 さらに、広く使われているSIDDデータセットは、地上画像に有意な色バイアスを有しており、訓練されたモデルでは非現実的な色再現をもたらすことを明らかにした。 そこで本稿では,この問題を解決するための新たな基盤構造抽出フレームワークを導入し,修正データセット上の既存手法のベンチマークを提供する。

関連論文リスト

• NIR-Assisted Image Denoising: A Selective Fusion Approach and A Real-World Benchmark Dataset [53.79524776100983]
  近赤外(NIR)画像を活用して、視認可能なRGB画像の復調を支援することで、この問題に対処する可能性を示している。 既存の作品では、NIR情報を効果的に活用して現実のイメージを飾ることに苦戦している。 先進デノナイジングネットワークにプラグイン・アンド・プレイ可能な効率的な選択核融合モジュール(SFM)を提案する。
  論文  参考訳（メタデータ） (2024-04-12T14:54:26Z)
• Make Explicit Calibration Implicit: Calibrate Denoiser Instead of the Noise Model [83.9497193551511]
  デジタルゲインやカメラセンサーによらず有効であるLED(Lighting Every Darkness)を導入する。 LEDは明示的なノイズモデルのキャリブレーションの必要性を排除し、高速な展開と最小限のデータを必要とする暗黙の微調整プロセスを活用する。 LEDは、センサー工学の利点を生かしながら、ディープラーニングの進歩にもっと注力することを可能にする。
  論文  参考訳（メタデータ） (2023-08-07T10:09:11Z)
• Instance Segmentation in the Dark [43.85818645776587]
  暗黒領域のインスタンスセグメンテーションを深く見て、低照度推論精度を大幅に向上させるテクニックをいくつか導入する。 本稿では,適応重み付きダウンサンプリング層,スムーズな指向性畳み込みブロック,外乱抑制学習に依存する新しい学習手法を提案する。 実世界の低照度インスタンスセグメンテーションデータセットを,2万組以上の低照度/通常照度画像と,インスタンスレベルのピクセル単位のアノテーションでキャプチャする。
  論文  参考訳（メタデータ） (2023-04-27T16:02:29Z)
• Rawgment: Noise-Accounted RAW Augmentation Enables Recognition in a Wide Variety of Environments [1.0323063834827415]
  本稿では,難易度の高い環境における画像認識のための雑音対応RAW画像強調手法を提案する。 本質的には、非線形ISPを適用する前にRAW画像に色ジッタとぼやけた強調を加え、現実的な強度をもたらす。 提案手法は,簡単な学習データのみを用いて,難易度の高い環境下での音声認識精度を2倍にすることを示す。
  論文  参考訳（メタデータ） (2022-10-28T10:33:45Z)
• Modeling sRGB Camera Noise with Normalizing Flows [35.29066692454865]
  各種ISOレベルにおけるsRGB画像の複雑な雑音分布を学習できる正規化フローに基づく新しいsRGB領域雑音モデルを提案する。 我々の正規化フローベースアプローチは、ノイズモデリングや合成タスクにおいて、他のモデルよりも優れています。
  論文  参考訳（メタデータ） (2022-06-02T00:56:34Z)
• CycleISP: Real Image Restoration via Improved Data Synthesis [166.17296369600774]
  本稿では,前向きと逆方向のカメラ画像パイプラインをモデル化するフレームワークを提案する。 リアルな合成データに基づいて新しい画像認識ネットワークをトレーニングすることにより、実際のカメラベンチマークデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-03-17T15:20:25Z)

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。