論文の概要: Coarse-to-fine Framework for Generative MEF via Implicit Neural Representation

• arxiv url: http://arxiv.org/abs/2607.17611v1
• Date: Mon, 20 Jul 2026 07:00:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.516629
• Title: Coarse-to-fine Framework for Generative MEF via Implicit Neural Representation
• Title（参考訳）: 入射ニューラル表現によるMEF生成のための粗粒度フレームワーク
• Abstract要約: マルチ露光融合(MEF)は、単一の露光が捉える範囲を超えて輝度範囲を広げる。 生成MEFの核融合品質と効率のバランスをとるための粗大なフレームワークであるLIIFusionを提案する。
• 参考スコア（独自算出の注目度）: 32.04311237687492
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multi-exposure fusion (MEF) expands the luminance range beyond what a single exposure can capture. Combining images taken at different exposure levels requires handling geometric differences while naturally merging their complementary brightness information. It often demands generative completion where details are missing. Diffusion-based generative methods address these challenges, however, they are computationally expensive and struggle to preserve fine structures in saturated regions. We propose LIIFusion, a coarse-to-fine framework that balances fusion quality and efficiency in generative MEF. The coarse stage performs low resolution generative fusion, enhanced by an adaptive exposure correction that recovers structure lost in saturated over-exposed areas. The fine stage adapts a local implicit image function into a multi-exposure fusion function: conditioned on the HR OE/UE sources and the coarse output, it queries arbitrary target coordinates and fuses source evidence regardless of the HR input resolution. LIIFusion achieves up to 3.5$\times$ speed-up over existing generative methods while maintaining or improving structural fidelity and perceptual quality. We believe this framework provides an effective pathway toward making generative MEF more practical in real-world applications.
• Abstract（参考訳）: マルチ露光融合(MEF)は、単一の露光が捉える範囲を超えて輝度範囲を広げる。 異なる露出レベルで撮影された画像を組み合わせるには、幾何学的な違いを扱いながら、補完的な明るさ情報を自然にマージする必要がある。 詳細が欠けている場合、しばしば生成的な完了を要求する。 拡散に基づく生成法はこれらの課題に対処するが、計算コストが高く、飽和地域の微細構造を維持するのに苦労する。 生成MEFの核融合品質と効率のバランスをとるための粗大なフレームワークであるLIIFusionを提案する。 粗いステージは、飽和過剰露光領域で失われた構造を回復する適応露光補正により強化された低分解能生成融合を行う。 微細ステージは、局所的な暗黙画像関数をマルチ露光融合関数に適応させる:HR OE/UEソースと粗い出力に条件付けされ、任意のターゲット座標を問合せ、HR入力解像度に関係なくソースエビデンスを融合する。 LIIFusionは、構造的忠実さと知覚的品質を維持し、改善しながら、既存の生成方法よりも3.5$\times$のスピードアップを達成する。 このフレームワークは, 実世界のアプリケーションにおいて, 生成型MEFをより実用的なものにするための効果的な経路を提供すると考えている。

関連論文リスト

• There and Back Again: A Flexible-Frame Transformer for Multi-Exposure Fusion [33.80456021651473]
  マルチ露光核融合のためのフレキシブルフレーム変換器FreeMEFを提案する。 まず、任意の配列から連続的に特徴を融合する再帰状態空間モジュールを導入する。 次に,AFFN(Affine-injection Feed-forward Network)とEAHA(Affine-Aware Hybrid attention)を組み合わせたGFGB(Global Feature Guided Block)を考案した。
  論文  参考訳（メタデータ） (2026-06-26T09:54:00Z)
• Degradation-Robust Fusion: An Efficient Degradation-Aware Diffusion Framework for Multimodal Image Fusion in Arbitrary Degradation Scenarios [34.660999867031386]
  ノイズ、ぼかし、低解像度といった複雑な劣化は、実世界の画像融合タスクにおける典型的な課題である。 本稿では,任意の劣化シナリオ下での画像融合のための効率的な劣化認識拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-10T03:34:53Z)
• Reversible Efficient Diffusion for Image Fusion [66.35113261837469]
  マルチモーダル画像融合は、様々なソース画像からの補完情報を統一表現に統合することを目的としている。 拡散モデルは画像生成において顕著な生成能力を示してきたが、画像融合タスクに適用した場合、しばしば細かな損失に悩まされる。 この問題はマルコフ過程に固有のノイズ誤差の蓄積から発生し、融合した結果の不整合と劣化をもたらす。 本稿では,分散推定を回避しつつ,拡散モデルの強力な生成能力を継承する,明示的な教師付きトレーニングフレームワークであるReversible Efficient Diffusion(RED)モデルを提案する。
  論文  参考訳（メタデータ） (2026-01-28T05:14:55Z)
• Towards Unified Semantic and Controllable Image Fusion: A Diffusion Transformer Approach [99.80480649258557]
  DiTFuseは命令駆動のフレームワークで、単一のモデル内でセマンティクスを意識した融合を実行する。 パブリックなIVIF、MFF、MEFベンチマークの実験では、より優れた量的および質的な性能、よりシャープなテクスチャ、より優れたセマンティック保持が確認されている。
  論文  参考訳（メタデータ） (2025-12-08T05:04:54Z)
• Efficient Rectified Flow for Image Fusion [48.330480065862474]
  本稿では,画像融合のための1ステップの効率的な拡散モデルであるRFfusionを提案する。 また,画像融合に適したタスク固有の変分オートエンコーダアーキテクチャを提案する。 提案手法は,推算速度と融合品質の両方の観点から,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2025-09-20T06:21:00Z)
• DDFusion:Degradation-Decoupled Fusion Framework for Robust Infrared and Visible Images Fusion [9.242363983469346]
  本稿では,分解脱結合核融合(DDFusion)フレームワークを提案する。 DDFusionはクリーンかつ劣化した条件下で優れた核融合性能を達成する。
  論文  参考訳（メタデータ） (2025-04-15T05:02:49Z)
• Unsupervised Learning Based Multi-Scale Exposure Fusion [9.152843503286796]
  教師なし学習に基づくマルチスケール露光融合(ULMEF)は、高ダイナミックレンジシーンのための高画質のLDR画像に異なる露光低ダイナミックレンジ(LDR)画像を融合するのに効率的である。 本稿では,ALMEFに対して新たな損失関数を提案し,同じHDRシーンからのすべての画像と他の異なる露光画像を融合して定義する。
  論文  参考訳（メタデータ） (2024-09-26T13:29:40Z)
• Reti-Diff: Illumination Degradation Image Restoration with Retinex-based Latent Diffusion Model [59.08821399652483]
  照明劣化画像復元(IDIR)技術は、劣化した画像の視認性を改善し、劣化した照明の悪影響を軽減することを目的としている。 これらのアルゴリズムのうち、拡散モデル(DM)に基づく手法は期待できる性能を示しているが、画像レベルの分布を予測する際に、重い計算要求や画素の不一致の問題に悩まされることが多い。 我々は、コンパクトな潜在空間内でDMを活用して、簡潔な指導先を生成することを提案し、IDIRタスクのためのReti-Diffと呼ばれる新しいソリューションを提案する。 Reti-Diff は Retinex-based Latent DM (RLDM) と Retinex-Guided Transformer (RG) の2つの鍵成分からなる。
  論文  参考訳（メタデータ） (2023-11-20T09:55:06Z)
• Searching a Compact Architecture for Robust Multi-Exposure Image Fusion [55.37210629454589]
  2つの大きなスタブリングブロックは、画素の不一致や非効率な推論など、開発を妨げる。 本研究では,高機能なマルチ露光画像融合のための自己アライメントとディテールリプレクションモジュールを取り入れたアーキテクチャ検索に基づくパラダイムを提案する。 提案手法は様々な競争方式より優れており、一般的なシナリオではPSNRが3.19%向上し、不整合シナリオでは23.5%向上した。
  論文  参考訳（メタデータ） (2023-05-20T17:01:52Z)
• DDFM: Denoising Diffusion Model for Multi-Modality Image Fusion [144.9653045465908]
  拡散確率モデル(DDPM)に基づく新しい融合アルゴリズムを提案する。 近赤外可視画像融合と医用画像融合で有望な融合が得られた。
  論文  参考訳（メタデータ） (2023-03-13T04:06:42Z)

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。