論文の概要: The Devil is in the Dark Pixels: Toward Brightness Bias-Robust Denoising

• arxiv url: http://arxiv.org/abs/2607.16320v1
• Date: Wed, 15 Jul 2026 08:57:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.110284
• Title: The Devil is in the Dark Pixels: Toward Brightness Bias-Robust Denoising
• Title（参考訳）: The Devil is in the Dark Pixels: To toward Brightness Bias-Robust Denoising
• Authors: Sungjun Cho, Zhuangzhuang Chen, Xiaomeng Li,
• Abstract要約: 信号依存型カメラノイズモデルでは、暗黒領域は信号対雑音比(SNR)が本質的に低い。 MSEで訓練されたデノイザーは、バンドごとのノイズフロアに比べて6倍の暗いピクセルを再構成する。 輝度帯域に画素を分割するMSE損失の代替として,Brightness Bias-Robust Denoising (BBRD)を提案する。
• 参考スコア（独自算出の注目度）: 22.070348331612454
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we reveal an important yet overlooked problem in image denoising: under signal-dependent camera noise models, dark regions suffer from inherently low Signal-to-Noise Ratio (SNR), as signal intensity decays far faster than noise variance diminishes, making detail recovery in dark areas fundamentally challenging. Yet rather than compensating for this difficulty, MSE-trained denoisers exacerbate it -- reconstructing dark pixels up to 6x worse relative to their per-band noise floor. This bias stems from two compounding factors: signal-dependent noise inflates bright-pixel residuals, and the network's Jacobian norm increases monotonically with brightness. Together, these cause bright regions to chronically dominate gradient updates at the expense of dark ones. To this end, we propose Brightness Bias-Robust Denoising (BBRD), a drop-in replacement for MSE loss that partitions pixels into brightness bands, normalizes per-band error by empirical noise variance, and applies Group Distributionally Robust Optimization (Group-DRO) to dynamically upweight whichever band is currently worst, with zero additional parameters or inference cost. Across 8 architectures and 2 datasets in our experiments, BBRD is the only method among 13 tested alternatives that improves each brightness band simultaneously, achieving up to +0.45 dB on dark bands, +0.32 dB on bright bands, and +0.65 dB aggregate Peak Signal-to-Noise Ratio (PSNR) on SIDD, with the largest per-band gains in the darkest regions where detail recovery matters most. Code is available at https://github.com/xmed-lab/BBRD
• Abstract（参考訳）: 本稿では,信号依存型カメラノイズモデルにおいて,信号強度がノイズ分散よりもはるかに早く減衰するため,暗黒領域が本質的に低い信号対雑音比(SNR)に悩まされ,暗黒領域の詳細な回復が根本的に困難であることを示す。 しかし、この難しさを補う代わりに、MSEの訓練を受けたデノイザーは、バンドごとのノイズフロアに比べて最大6倍の暗いピクセルを再構築することで、さらに悪化させる。 信号依存ノイズは明るいピクセル残差を膨らませ、ネットワークのジャコビアンノルムは明るさとともに単調に増加する。 これらとともに、明るい領域は暗い領域を犠牲にして、慢性的に勾配の更新を左右する。 この目的のために、Brightness Bias-Robust Denoising (BBRD)を提案する。これは、MSE損失のドロップイン置換であり、画素を輝度帯域に分割し、経験的ノイズ分散によるバンドごとの誤差を正規化し、グループ分散ロバスト最適化(Group-DRO)を、現在最悪の帯域で、追加パラメータや推論コストがゼロである動的アップウェイトに適用する。 実験で得られた8つのアーキテクチャと2つのデータセットのうち、BBRDは、暗黒帯で+0.45 dB、明るい帯で+0.32 dB、SIDDで+0.65 dB、SIDDで+0.65 dBアグリゲートピーク信号-ノイズ比(PSNR)を達成し、暗黒領域で最大のバンド当たり利得を達成し、それぞれの輝度帯域を同時に改善する13の試験方法の中で唯一の方法である。 コードはhttps://github.com/xmed-lab/BBRDで入手できる。

関連論文リスト

• Why Low-Light Cameras Go Color Blind: Removing Color Bias in Raw Denoising [42.231128978265005]
  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。
  論文  参考訳（メタデータ） (2026-07-13T04:58:14Z)
• 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)
• Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
  低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。 これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。 まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。 次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
  論文  参考訳（メタデータ） (2023-05-17T13:56:48Z)
• Zero-shot Blind Image Denoising via Implicit Neural Representations [77.79032012459243]
  暗黙的ニューラル表現(INR)のアーキテクチャ的帰納的バイアスを利用した代替的認知戦略を提案する。 提案手法は,低雑音シナリオや実雑音シナリオの広い範囲において,既存のゼロショット復調手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-05T12:46:36Z)
• Adaptive Unfolding Total Variation Network for Low-Light Image Enhancement [6.531546527140475]
  sRGB空間における既存の拡張アルゴリズムのほとんどは、低可視性問題にのみ焦点をあてるか、仮説的雑音レベルの下でノイズを抑圧する。 本稿では,実際のsRGB低照度画像から雑音レベルを近似する適応展開全変動ネットワーク(UTVNet)を提案する。 実世界の低照度画像に対する実験は、最先端の手法よりもUTVNetの優れた性能を明らかに示している。
  論文  参考訳（メタデータ） (2021-10-03T11:22:17Z)

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。