論文の概要: When Extreme Darkness Meets Motion Blur: MeanFlow for Unified RAW Restoration
- arxiv url: http://arxiv.org/abs/2608.01720v1
- Date: Mon, 03 Aug 2026 05:38:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.339871
- Title: When Extreme Darkness Meets Motion Blur: MeanFlow for Unified RAW Restoration
- Title（参考訳）: 極暗が動きの鈍さに出会ったとき:統一RAW修復のための平均フロー
- Abstract要約: 本稿では, 現実的な取得劣化下での高強度超低照度RAW向上のための枠組みを提案する。
我々の知る限り、これは現実的な運動劣化獲得の下で非常に低照度RAW向上を定式化した最初の試みである。
- 参考スコア（独自算出の注目度）: 2.3881445172169085
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Extremely low-light RAW enhancement aims to recover severely attenuated sensor signals, yet existing methods often focus on illumination and noise while overlooking the motion-induced degradations inherent in practical low-light imaging. We present a framework for robust extremely low-light RAW enhancement under realistic acquisition degradations. First, we introduce See in the Degraded Extremely Dark (SIDED), a new dataset that applies controlled motion degradation to extremely low-light RAW pairs while retaining their original sensor noise. Second, we propose a unified RAW tokenizer equipped with explicit domain-conditioned representation calibration to align extremely low-light and well-exposed RAW data, followed by a MeanFlow that performs enhancement in a single function evaluation. To our knowledge, this is the first work to formulate extremely low-light RAW enhancement under realistic motion-degraded acquisition and address it with MeanFlow. We further introduce a physics-guided refinement model to strengthen illumination--reflectance consistency, pixel fidelity, and color preservation without incurring additional inference cost. Extensive experiments demonstrate that our framework achieves state-of-the-art performance in extremely low-light RAW enhancement, and robustly handles coupled motion and noise degradations.
- Abstract（参考訳）: 極めて低照度RAW強調は、高度に減衰したセンサー信号を回復することを目的としているが、既存の手法では、実用的な低照度画像に固有の動きによる劣化を見落としながら、照明とノイズに焦点を当てることが多い。
本稿では, 現実的な取得劣化下での高強度超低照度RAW向上のための枠組みを提案する。
まず、低照度RAW対に制御された動き劣化を適用しながら、元のセンサノイズを保持しながら、新しいデータセットであるSide in the Degraded Extremely Dark (SIDED)を紹介する。
第2に,明快な領域条件表現キャリブレーションを備えた統一RAWトークン装置を提案し,それに続いて,単一関数評価の強化を行うMeanFlowを提案する。
我々の知る限り、これは現実的なモーション劣化獲得の下で非常に低照度RAWエンハンスメントを定式化し、MeanFlowで対処する最初の試みである。
さらに,照明の整合性,画素の忠実度,色保存性を,追加の推論コストを伴わずに向上させる物理誘導改良モデルを導入する。
大規模実験により,超低照度RAW向上において,我々のフレームワークが最先端の性能を実現し,結合した動きや雑音の劣化を頑健に処理できることが実証された。
関連論文リスト
- ExpoCM: Exposure-Aware One-Step Generative Single-Image HDR Reconstruction [60.873186669266836]
シングルイメージHDR再構成は,単一低ダイナミックレンジ(LDR)入力から高ダイナミックレンジの放射率を回復することを目的としている。
ExpoCMは,HDR再構成をPF-ODE(Probability Flow ODE)として再構成し,露出依存摂動による露出認識整合性トラジェクトリを構築する,新しい一段階のHDR再構成フレームワークである。
HDR-REAL、HDR-EYE、AIM2025ベンチマークの実験は、ExpoCMが最先端の忠実性を達成することを示した。
論文 参考訳（メタデータ） (2026-05-04T11:06:49Z) - NEC-Diff: Noise-Robust Event-RAW Complementary Diffusion for Seeing Motion in Extreme Darkness [32.700771429075694]
NEC-Diffは拡散型イベント-RAWハイブリッドイメージングフレームワークである。
ノイズの多い信号から信頼できる情報を抽出し、微細なシーン構造を再構築する。
47,800ピクセルの低照度RAW画像,イベント,高品質な参照を0.001-0.8 lux 照明下で提供するREALデータセットを構築した。
論文 参考訳（メタデータ） (2026-03-20T14:51:24Z) - Learning to See in the Extremely Dark [41.386150786725295]
我々は、高解像度のRAW画像を生成することができるペア対ペアデータ合成パイプラインを提案する。
See-in-Extremely-Dark(SIED)と呼ばれる大規模なペアデータセットは、低照度RAW画像拡張アプローチのベンチマークに使用される。
非常に低SNR RAW入力から視覚的満足度を回復する拡散型フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-26T10:24:07Z) - LUMINA-Net: Low-light Upgrade through Multi-stage Illumination and Noise Adaptation Network for Image Enhancement [26.585985828583304]
低照度画像強調(LLIE)は、低照度条件下で撮影された画像の視覚的忠実度を高めることを目的としたコンピュータビジョンにおける重要な課題である。
LUMINA-Netは,多段照明と反射モジュールを統合することで,低照度画像ペアから適応的な事前学習を行う,教師なしのディープラーニングフレームワークである。
論文 参考訳（メタデータ） (2025-02-21T03:37:58Z) - Retinex-RAWMamba: Bridging Demosaicing and Denoising for Low-Light RAW Image Enhancement [71.13353154514418]
低照度画像の強化、特に生ドメインからsRGBドメインへのマッピングのようなクロスドメインタスクは、依然として大きな課題である。
RAWMambaと呼ばれる低照度RAW画像用にカスタマイズされた新しいMambaベースの手法を提案する。
低照度RAW画像の高精細化を図り、復調を施すことにより、高精細化を実現する。
論文 参考訳（メタデータ） (2024-09-11T06:12:03Z) - LDM-ISP: Enhancing Neural ISP for Low Light with Latent Diffusion Models [54.93010869546011]
本稿では,事前学習した潜伏拡散モデルを用いて,超低照度画像の高精細化のためのニューラルISPを実現することを提案する。
具体的には、RAWドメイン上で動作するために事前訓練された潜在拡散モデルを調整するために、軽量なテーミングモジュールのセットをトレーニングする。
遅延拡散モデルにおけるUNet復調と復号化の異なる役割を観察し、低照度画像強調タスクを遅延空間低周波コンテンツ生成と復号位相高周波ディテール保守に分解するきっかけとなる。
論文 参考訳（メタデータ） (2023-12-02T04:31:51Z) - Towards Low Light Enhancement with RAW Images [101.35754364753409]
我々は、低光強度でRAW画像を使用することの優位性について、最初のベンチマークを行う。
本研究では,RAW画像の特性を計測可能な因子に分解するFEM(Facterized Enhancement Model)を新たに開発した。
実アプリケーションにおけるRAW画像の利点と利用不可のトレードオフを生かしたREENet(RAW-guiding Exposure Enhancement Network)を開発した。
論文 参考訳（メタデータ） (2021-12-28T07:27:51Z) - CERL: A Unified Optimization Framework for Light Enhancement with
Realistic Noise [81.47026986488638]
現実世界で撮影された低照度画像は、センサーノイズによって必然的に破損する。
既存の光強調法は、拡張中の現実世界のノイズの重要な影響を見落としているか、ノイズ除去を別の前処理または後処理のステップとして扱うかのどちらかである。
実世界の低照度雑音画像(CERL)のコーディネート・エンハンスメントを行い,光強調部と雑音抑制部を一体化・物理接地したフレームワークにシームレスに統合する。
論文 参考訳（メタデータ） (2021-08-01T15:31:15Z) - Progressive Joint Low-light Enhancement and Noise Removal for Raw Images [10.778200442212334]
モバイル機器の低照度撮像は、比較的小さな開口部を通過する入射光が不足しているため、通常困難である。
そこで我々は,共同照明調整,色強調,遮音を行う低照度画像処理フレームワークを提案する。
我々のフレームワークは、他のカメラモデルに適応する際に、大量のデータを再構成する必要はない。
論文 参考訳（メタデータ） (2021-06-28T16:43:52Z) - Unsupervised Low-light Image Enhancement with Decoupled Networks [103.74355338972123]
我々は、実世界の低照度画像を教師なしで拡張する2段階のGANベースのフレームワークを学習する。
提案手法は,照度向上と雑音低減の両面から,最先端の教師なし画像強調法より優れる。
論文 参考訳（メタデータ） (2020-05-06T13:37:08Z)
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。