論文の概要: BlindPSNR: A No-Reference Fidelity Predictor for Low-Light Image Enhancement
- arxiv url: http://arxiv.org/abs/2607.27628v1
- Date: Thu, 30 Jul 2026 03:33:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.383386
- Title: BlindPSNR: A No-Reference Fidelity Predictor for Low-Light Image Enhancement
- Title（参考訳）: BlindPSNR:低照度画像強調のための非参照忠実度予測器
- Abstract要約: ピーク信号-ノイズ比(Pak signal-to-Noise ratio)はパラメータ選択を自動化するための自然な忠実度基準である。
BlindPSNRは、窓面のクロスアテンションによる低照度入力の劣化による強調画像を融合し、ヘテロセダスティックレグレッションによりPSNRを推定する。
- 参考スコア（独自算出の注目度）: 5.565811404827319
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Low-light image enhancement (LLIE) methods involve tunable parameters that are typically fixed, often leading to performance degradation when applied across scenes. Manually selecting the best configuration, however, can be time-consuming and not always practical. Peak signal-to-noise ratio (PSNR) is the natural fidelity criterion for automating parameter selection, yet it requires a ground-truth reference that is typically unavailable. To our knowledge, no learning-based method addresses no-reference PSNR prediction for low-light image enhancement; the natural surrogate, no-reference image quality assessment (NR-IQA), targets perceptual quality rather than signal fidelity, and all seven baselines we test achieve 0% top-1 selection accuracy on our benchmark. With paired training data, the ground-truth PSNR is analytically computable, providing exact supervision without a separate teacher network. Building on this, we propose BlindPSNR, a lightweight no-reference network that fuses the enhanced image with the degraded low-light input via windowed cross-attention and estimates PSNR through heteroscedastic regression. While a scalar-regression baseline achieves top-1 accuracy of 54.4%, BlindPSNR raises this to 89.5% with regret dropping from 1.62 dB to 0.026 dB, and generalizes to unseen datasets (SRCC = 0.61-0.67).
- Abstract（参考訳）: 低照度画像強調法(LLIE)の手法は、通常固定される調整可能なパラメータを含み、多くの場合、シーンにまたがって適用されると性能が低下する。
しかし、手動で最適な設定を選択するのは時間がかかるし、常に実用的とは限らない。
ピーク信号-ノイズ比(Pak signal-to-Noise ratio、PSNR)はパラメータ選択を自動化するための自然な忠実度基準である。
我々の知る限り、低照度画像強調のための非参照PSNR予測には、学習ベースの手法が対応せず、自然なサロゲート、非参照画像品質評価(NR-IQA)は、信号の忠実性よりも知覚品質を目標とし、テストした7つのベースラインはすべて、ベンチマーク上で0%のトップ1選択精度を達成する。
ペアトレーニングデータでは,PSNRは解析的に計算可能であり,教師ネットワークを分離せずに正確な監督を行うことができる。
そこで我々は,BlindPSNRを提案する。BlindPSNRは,強調画像と窓面のクロスアテンションによる低照度入力とを融合し,ヘテロセダスティック回帰によりPSNRを推定する軽量なノン参照ネットワークである。
スカラー回帰ベースラインは54.4%でトップ1の精度を達成するが、BlindPSNRはこれを89.5%に引き上げ、後悔は1.62dBから0.026dBに減少し、目に見えないデータセットに一般化する(SRCC = 0.61-0.67)。
関連論文リスト
- LowAux-RDNet: Low-Pass Residual Supervision with Scene-Balanced Real-World Training for Single-Image Reflection Removal [0.0]
シングルイメージの反射除去は、ガラスを通して撮影された1つの画像からクリーンな透過層を回収することを目的としている。
我々はRDNet上に構築された明示的な分解パイプラインについて検討し、トレーニング専用の低域反射補助目標であるLowAuxを紹介する。
論文 参考訳（メタデータ） (2026-07-20T12:45:16Z) - A Parametric Bi-Directional Curvature-Based Framework for Image Artifact Classification and Quantification [0.0]
本研究は,方向画像の曲率解析に基づく非参照画像品質評価(NR-IQA)のための新しいフレームワークを提案する。
この枠組みでは、2つの可変しきい値を用いて画素レベルで計算されるAnisotropic Texture Richness (ATR) の尺度を定義する。
パラメータが特定のアーティファクトに最適化された場合、ATRスコアは高性能な品質指標として機能する。
論文 参考訳（メタデータ） (2025-08-12T10:29:59Z) - FS-IQA: Certified Feature Smoothing for Robust Image Quality Assessment [4.135467749401761]
本稿では,画像品質評価(IQA)モデルに対する新しい認証防御手法を提案する。
入力空間ではなく特徴空間に雑音を印加したランダムな平滑化に基づいている。
その結果,主観的品質スコアとの相関性は最大30.9%向上した。
論文 参考訳（メタデータ） (2025-08-07T15:47:55Z) - End-to-End Implicit Neural Representations for Classification [57.55927378696826]
Inlicit Neural representations (INRs) は、ニューラルネットワークパラメータの信号を符号化し、信号再構成に優れた結果を示す。
INRをベースとした分類は、CNNのようなピクセルベースの手法に比べて、依然としてかなり低性能である。
本研究は,SIRENを学習段階のスキームとともに初期化するエンド・ツー・エンドの戦略を提案する。
論文 参考訳（メタデータ） (2025-03-23T16:02:23Z) - Adaptive Feature Selection for No-Reference Image Quality Assessment by Mitigating Semantic Noise Sensitivity [55.399230250413986]
上流タスクから有害なセマンティックノイズを除去するためのQFM-IQM(Quality-Aware Feature Matching IQA Metric)を提案する。
提案手法は,8つの標準IQAデータセット上での最先端NR-IQA法よりも優れた性能を実現する。
論文 参考訳（メタデータ） (2023-12-11T06:50:27Z) - Less is More: Learning Reference Knowledge Using No-Reference Image
Quality Assessment [58.09173822651016]
No-Reference Image Quality Assessment 設定で参照知識を学習することは可能であると論じる。
非整列参照画像から比較知識を学習するための新しいフレームワークを提案する。
8つの標準NR-IQAデータセットの実験は、最先端のNR-IQA法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2023-12-01T13:56:01Z) - 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) - Sr-init: An interpretable layer pruning method [11.184351630458265]
再初期化の探索による新しい層刈り法を提案する。
我々のSR-init法は、再初期化による精度低下が様々な層で異なるという発見に着想を得たものである。
特徴可視化によるSR-initの解釈可能性を実験的に検証した。
論文 参考訳（メタデータ） (2023-03-14T07:26:55Z) - (Certified!!) Adversarial Robustness for Free! [116.6052628829344]
逆方向の摂動が0.5の2ノルム以内であることに制約された場合,ImageNetでは71%の精度が証明された。
これらの結果は,モデルパラメータの微調整や再学習を必要とせず,事前学習した拡散モデルと画像分類器のみを用いて得られる。
論文 参考訳（メタデータ） (2022-06-21T17:27:27Z) - Test-Time Adaptation for Super-Resolution: You Only Need to Overfit on a
Few More Images [12.846479438896338]
事前訓練されたSRネットワークからHR予測の知覚品質を改善するためのシンプルで普遍的なアプローチを提案します。
知覚品質とPSNR/SSIM値の点で、画像に対する微調整の効果を示します。
論文 参考訳（メタデータ） (2021-04-06T16:50:52Z) - Cross-Scale Internal Graph Neural Network for Image Super-Resolution [147.77050877373674]
自然画像における非局所的な自己相似性は、画像修復に有効な先行研究として、よく研究されている。
単一の画像超解像(SISR)の場合、既存のディープ非局所法のほとんどは、低解像度(LR)入力画像と同じ規模のパッチしか利用していない。
これは、新しいクロススケールな内部グラフニューラルネットワーク(IGNN)を用いて実現される。
論文 参考訳（メタデータ） (2020-06-30T10:48:40Z) - Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement [156.18634427704583]
本稿では、深部ネットワークを用いた画像特異的曲線推定のタスクとして光強調を定式化するゼロ参照深部曲線推定法(Zero-DCE)を提案する。
提案手法は,DCE-Netという軽量な深層ネットワークをトレーニングし,画像のダイナミックレンジ調整のための画素幅と高次曲線を推定する。
論文 参考訳（メタデータ） (2020-01-19T13:49:15Z)
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。