論文の概要: WREN: Low Light Image Enhancement Using Retinex theory-based Double U-Net-like Structures

• arxiv url: http://arxiv.org/abs/2607.15604v1
• Date: Fri, 17 Jul 2026 03:56:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.745148
• Title: WREN: Low Light Image Enhancement Using Retinex theory-based Double U-Net-like Structures
• Title（参考訳）: WREN:レチネックス理論に基づく二重U-Net構造を用いた低光画像強調
• Abstract要約: 低光画像は、固有の色コンテキスト(反射マップ)とシーン依存照明(照明マップ)に分解される。 既存のレチネックスベースのLLIE法は、しばしば安定な分解を達成できず、過度な拡張につながる。 We propose WREN: an LLIE neural network with double U-Net-like structure. WREN are composed two U-Net-like sub-networks。
• 参考スコア（独自算出の注目度）: 10.686270934646778
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes a neural network for low light image enhancement (LLIE) based on retinex theory to make LLIE robust for various dynamic range scenes. The retinex theory is an image formulation model inspired by a human color perception hypothesis, where a low light image is decomposed into intrinsic color context (i.e., reflectance map) and scene-dependent illumination (i.e., illumination map). Due to non-uniqueness of its decomposition, existing retinex-based LLIE methods often fail to achieve stable decomposition, which lead to over-enhancement. Typically, they are sensitive to the dynamic ranges that vary in different lighting conditions. To tackle this issue, we propose WREN: An LLIE neural network with double U-Net-like structures. WREN consists of two U-Net-like sub-networks. The first network has one encoder and two decoders that decompose an input image into the reflectance and illumination maps. The second network with a customized Transformer block between an encoder and a decoder only enhances the illumination map obtained from the first network: This completely follows the assumption of the retinex theory. Finally, the enhanced illumination map is recombined with the reflectance map. The network is trained end-to-end with a scale-invariant loss function, which gives robustness against the illumination scaling. Numerical results show that our method achieves the state-of-the-art performance across multiple datasets. Our code is available online.
• Abstract（参考訳）: 本稿では,レチネックス理論に基づく低光画像強調(LLIE)のためのニューラルネットワークを提案する。 網膜理論は、人間の色知覚仮説にインスパイアされた画像定式化モデルであり、低光画像は固有の色文脈(反射マップ)とシーン依存照明(照明マップ)に分解される。 分解の非特異性のため、既存のレチネックスベースのLLIE法は安定な分解を達成できず、過度に増大する。 通常は、異なる照明条件で変化するダイナミックレンジに敏感である。 この問題に対処するために,2つのU-Net構造を持つLLIEニューラルネットワークWRENを提案する。 WRENは2つのU-Netのようなサブネットワークで構成されている。 第1のネットワークは、入力画像を反射および照明マップに分解する1つのエンコーダと2つのデコーダを有する。 エンコーダとデコーダの間のカスタマイズされたトランスフォーマーブロックを持つ第2のネットワークは、第1のネットワークから得られた照明マップのみを強化する。 最後に、改良された照明マップと反射マップが組み合わされる。 ネットワークは、スケール不変の損失関数でエンドツーエンドにトレーニングされ、照明スケーリングに対する堅牢性を提供する。 数値計算により,本手法は複数のデータセットにまたがる最先端性能を実現する。 私たちのコードはオンラインで利用可能です。

関連論文リスト

• RSEND: Retinex-based Squeeze and Excitation Network with Dark Region Detection for Efficient Low Light Image Enhancement [1.7356500114422735]
  より正確で簡潔で一段階のRetinex理論に基づくフレームワークRSENDを提案する。 RSENDはまず、低照度画像を照明マップと反射マップに分割し、照明マップの重要な詳細をキャプチャして光強調を行う。 我々の効率の良いRetinexモデルは、他のCNNベースモデルよりも大幅に優れており、異なるデータセットで0.44dBから4.2dBまでのPSNRの改善を実現している。
  論文  参考訳（メタデータ） (2024-06-14T01:36:52Z)
• Dual Degradation Representation for Joint Deraining and Low-Light Enhancement in the Dark [57.85378202032541]
  暗闇の中での雨は、自律運転や監視システム、夜間写真など、現実世界のアプリケーションをデプロイする上で大きな課題となる。 既存の低照度化や除染法は、低照度を明るくし、同時に雨を取り除くのに苦労する。 L$2$RIRNetと呼ばれるエンド・ツー・エンドのモデルを導入する。
  論文  参考訳（メタデータ） (2023-05-06T10:17:42Z)
• Retinexformer: One-stage Retinex-based Transformer for Low-light Image Enhancement [96.09255345336639]
  低照度画像の高精細化のために,原理化された1段Retinex-based Framework (ORF) を定式化する。 ORFはまず照明情報を推定し、低照度画像を照らす。 我々のアルゴリズムであるRetinexformerは13のベンチマークで最先端の手法を大幅に上回っている。
  論文  参考訳（メタデータ） (2023-03-12T16:54:08Z)
• 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)
• Neural-PIL: Neural Pre-Integrated Lighting for Reflectance Decomposition [50.94535765549819]
  シーンをその形状、反射率、照明に分解することは、コンピュータビジョンとグラフィックスの基本的な問題である。 形状, BRDF, 画像ごとの照明を推定できる新しい反射率分解ネットワークを提案する。 我々の分解により、BRDFと光の推定がかなり良くなり、より正確なビュー合成とリライトが可能になります。
  論文  参考訳（メタデータ） (2021-10-27T12:17:47Z)

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。