論文の概要: Low-light Image Enhancement via Multi-scale Attention combined with Fourier Transform
- arxiv url: http://arxiv.org/abs/2607.24002v1
- Date: Mon, 27 Jul 2026 04:55:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.315493
- Title: Low-light Image Enhancement via Multi-scale Attention combined with Fourier Transform
- Title（参考訳）: フーリエ変換とマルチスケールアテンションによる低照度画像強調
- Abstract要約: 低照度画像強調(LLIE)は、低照度環境における画質と明度の向上を目的としている。
既存のディープラーニングベースのLLIE手法は、現実世界の照明を正確に捉え、テクスチャの詳細を復元するのに苦労している。
LLIEのための教師付き周波数領域深層学習ネットワークを提案する。
- 参考スコア（独自算出の注目度）: 2.5447778525689784
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Low-light image enhancement (LLIE) aims to improve image quality and clarity in diverse and demanding low-illumination environments. However, existing deep learning-based LLIE methods struggle to accurately capture real-world illumination and restore texture details, largely because their algorithmic strengths remain underutilized. To address these issues, we present a supervised frequency domain deep learning network for LLIE, named multi-scale attention combined with the Fourier transform (MSFT) which adopts a U-shaped, one-stage architecture that infuses guidance from low-light images into the network by channeling it through multi-scale attention. We further fuse the amplitude information from priori channels with that of the low-light image in MSFT's self-created module, and carry out multi-scale guidance along with the network. Subsequently, to better enhance the faint feature, such as fine content and textures, and to better fuse global context confidence in the decoding stage, we separately introduce a multi-shape synergistic attention and a lightweight network that effectively integrate information in high-dimensional space to embed into the superlative feature space channel containing rich texture information. Extensive experiments conducted on LOL, SID, SMID, and SDSD datasets demonstrate that MSFT significantly outperforms state-of-the-art competitors. For example, compared with Retinexformer, our method achieves a peak signal-to-noise ratio of up to 41.76 decibels on the SDSD-outdoor dataset with an increase of 11.92 decibels and a structural similarity index of 0.988 with a 13.80% improvement.
- Abstract（参考訳）: 低照度画像強調(LLIE)は、多様な低照度環境における画質と明度の向上を目的としている。
しかし、既存のディープラーニングベースのLLIE法は、アルゴリズムの強度が未利用であることから、現実世界の照明やテクスチャの細部を正確に捉えるのに苦労している。
これらの問題に対処するために、LLIEのための教師付き周波数領域深層学習ネットワークについて、マルチスケールの注意を介し、低照度画像からのガイダンスをネットワークに注入するU字型ワンステージアーキテクチャであるフーリエ変換(MSFT)と組み合わせて紹介する。
さらに,MSFTの自己生成モジュールの低照度画像と先行チャネルからの振幅情報を融合し,ネットワークとともにマルチスケールの誘導を行う。
続いて、細かなコンテンツやテクスチャなどの微妙な機能を強化し、デコード段階でのグローバルなコンテキストの信頼性を向上するために、高次元空間における情報を効果的に統合し、リッチなテクスチャ情報を含む最上位の特徴空間チャネルに埋め込むための、マルチ形状のシナジスティック・アテンションと軽量ネットワークを別々に導入する。
LOL, SID, SMID, SDSDデータセットで実施された大規模な実験により、MSFTは最先端の競合より大幅に優れていることが示された。
例えば、Retinexformerと比較して、SDSD-アウトドアデータセット上では最大41.76デシベル、11.92デシベル、0.988デシベル、13.80%改善した構造的類似度指数を実現している。
関連論文リスト
- Frequency-Spatial Interaction Driven Network for Low-Light Image Enhancement [27.98755235982138]
低照度画像強調(LLIE)は、照明の弱い環境で撮影された画像の知覚や解釈性を改善することを目的としている。
2段階アーキテクチャに基づくLLIEのための新しい周波数空間相互作用駆動ネットワーク(FSIDNet)を開発した。
論文 参考訳（メタデータ） (2025-10-25T04:17:50Z) - Learning Multi-scale Spatial-frequency Features for Image Denoising [58.883244886588336]
本稿では,マルチスケール適応型デュアルドメインネットワーク(MADNet)を提案する。
画像ピラミッド入力を用いて低解像度画像からノイズのない結果を復元する。
高周波情報と低周波情報の相互作用を実現するために,適応型空間周波数学習ユニットを設計する。
論文 参考訳（メタデータ） (2025-06-19T13:28:09Z) - DFVO: Learning Darkness-free Visible and Infrared Image Disentanglement and Fusion All at Once [57.15043822199561]
可視・赤外画像のアンタングル化と融合を同時に行うためのダークネスフリーネットワーク(DFVO)を提案する。
DFVOは、従来の2段階のカスケードトレーニング(エンハンスメントと融合)を置き換えるために、ケースケードマルチタスクアプローチを採用している
提案手法は,定性的および定量的評価の観点から,最先端の代替品よりも優れている。
論文 参考訳（メタデータ） (2025-05-07T15:59:45Z) - Spatial-frequency Dual-Domain Feature Fusion Network for Low-Light Remote Sensing Image Enhancement [49.15531684596958]
低照度リモートセンシング画像強調のためのDFFN(Dual-Domain Feature Fusion Network)を提案する。
第1フェーズは振幅情報を学習して画像輝度を復元し、第2フェーズは位相情報を学習して詳細を洗練させる。
我々は、現在の暗光リモートセンシング画像強調におけるデータセットの欠如に対応するために、2つの暗光リモートセンシングデータセットを構築した。
論文 参考訳（メタデータ） (2024-04-26T13:21:31Z) - A Non-Uniform Low-Light Image Enhancement Method with Multi-Scale
Attention Transformer and Luminance Consistency Loss [11.585269110131659]
低照度画像強調は、薄暗い環境で収集された画像の知覚を改善することを目的としている。
既存の方法では、識別された輝度情報を適応的に抽出することができず、露光過多や露光過多を容易に引き起こすことができる。
MSATrというマルチスケールアテンション変換器を提案し,光バランスの局所的・グローバル的特徴を十分に抽出し,視覚的品質を向上させる。
論文 参考訳（メタデータ） (2023-12-27T10:07:11Z) - Ultra-High-Definition Low-Light Image Enhancement: A Benchmark and
Transformer-Based Method [51.30748775681917]
低照度画像強調(LLIE)の課題を考察し,4K解像度と8K解像度の画像からなる大規模データベースを導入する。
我々は、系統的なベンチマーク研究を行い、現在のLLIEアルゴリズムと比較する。
第2のコントリビューションとして,変換器をベースとした低照度化手法であるLLFormerを紹介する。
論文 参考訳（メタデータ） (2022-12-22T09:05:07Z) - CDDFuse: Correlation-Driven Dual-Branch Feature Decomposition for
Multi-Modality Image Fusion [138.40422469153145]
本稿では,CDDFuse(Relationed-Driven Feature Decomposition Fusion)ネットワークを提案する。
近赤外可視画像融合や医用画像融合など,複数の融合タスクにおいてCDDFuseが有望な結果をもたらすことを示す。
論文 参考訳（メタデータ） (2022-11-26T02:40:28Z) - Multi-scale frequency separation network for image deblurring [10.511076996096117]
本稿では,マルチスケール周波数分離ネットワーク (MSFS-Net) を用いた画像分解手法を提案する。
MSFS-Netは複数のスケールで画像の低周波・高周波情報をキャプチャする。
ベンチマークデータセットの実験により,提案したネットワークが最先端の性能を達成することが示された。
論文 参考訳（メタデータ） (2022-06-01T23:48:35Z) - Image deblurring based on lightweight multi-information fusion network [6.848061582669787]
画像デブロアリングのための軽量多情報融合ネットワーク(LMFN)を提案する。
符号化段階では、画像特徴は、マルチスケール情報抽出および融合のための様々な小規模空間に還元される。
その後、デコード段階で蒸留ネットワークが使用され、ネットワークは残留学習から最も利益を得ます。
私たちのネットワークは、少ないパラメータで最新の画像破壊結果を達成し、モデルの複雑さで既存の方法を上回ることができます。
論文 参考訳（メタデータ） (2021-01-14T00:37:37Z) - Hyperspectral Image Super-resolution via Deep Progressive Zero-centric
Residual Learning [62.52242684874278]
空間情報とスペクトル情報の相互モダリティ分布が問題となる。
本稿では,PZRes-Netという,新しいテクスライトウェイトなディープニューラルネットワークベースのフレームワークを提案する。
本フレームワークは,高分解能かつテクテッセロ中心の残像を学習し,シーンの空間的詳細を高頻度で表現する。
論文 参考訳（メタデータ） (2020-06-18T06:32:11Z)
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。