Fugu-MT 論文翻訳(概要): UBLLIE: Unified Backlight and Low-Light Image Enhancement

論文の概要: UBLLIE: Unified Backlight and Low-Light Image Enhancement

arxiv url: http://arxiv.org/abs/2608.04429v1
Date: Wed, 05 Aug 2026 04:17:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-06 14:48:43.720165
Title: UBLLIE: Unified Backlight and Low-Light Image Enhancement
Title（参考訳）: UBLLIE: 統一バックライトと低光画像強調
Authors: Yasmin Yasin, Muhammad Usman, Ibrahim Radwan, Saeed Anwar,
Abstract要約: バックライトと低照度の画像は、しばしば激しい露光不均衡や地球規模の露出不足に悩まされる。両タイプの劣化に対処する統一的で教師なしの強化フレームワークを提案する。我々のフレームワークは、忠実さ、知覚的品質、一般化の観点から、最先端の教師あり、教師なしの手法を一貫して上回っている。
参考スコア（独自算出の注目度）: 15.386282490743838
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Backlit and low-light images often suffer from severe exposure imbalance or global underexposure, presenting significant challenges for both visual perception and downstream computer vision tasks. In this paper, we propose a unified, unsupervised enhancement framework that addresses both types of degradation without relying on paired ground-truth data. Our approach builds on CLIP-guided prompt learning to semantically supervise enhancement using learned positive and negative textual prompts. To improve the quality of our improvements over prior work, we design a symmetric residual U-Net backbone augmented with an Atrous Spatial Pyramid Pooling module. This architecture captures multi-scale contextual information, enabling adaptive correction under spatially heterogeneous illumination. During training, the enhancement network is guided by CLIP-based semantic similarity losses and refined via an iterative prompt optimization mechanism. Extensive experiments on both paired and unpaired datasets, including BAID, Backlit300, LOL, and VE-LOL-L, demonstrate that our framework consistently outperforms state-of-the-art supervised and unsupervised methods in terms of fidelity, perceptual quality, and generalization. Furthermore, our work emphasizes the need for stronger benchmarking protocols for backlit enhancement, a relatively underexplored area. The proposed framework provides a robust, scalable solution for real-world illumination enhancement across diverse lighting conditions.
Abstract（参考訳）: バックライトと低照度の画像は、しばしば激しい露光不均衡や大域的な露光に悩まされ、視覚的知覚と下流のコンピュータビジョンタスクの両方に重大な課題を呈する。本稿では,両タイプの劣化に対処する統一的,教師なしの強化フレームワークを提案する。提案手法は,CLIP誘導型プロンプト学習に基づいて,学習された肯定的および否定的なテキストプロンプトを用いて,拡張を意味的に監督する。従来の作業よりも改良の質を向上させるため,Atrous Space Pyramid Poolingモジュールを付加した対称残留U-Netバックボーンを設計した。このアーキテクチャは、空間的不均一な照明下で適応的な補正を可能にするため、マルチスケールのコンテキスト情報をキャプチャする。トレーニング中、拡張ネットワークはCLIPベースのセマンティック類似性損失によってガイドされ、反復的なプロンプト最適化機構を介して洗練される。 BAID, Backlit300, LOL, VE-LOL-Lを含むペアとアンペアのデータセットに対する大規模な実験により、我々のフレームワークは、忠実さ、知覚的品質、一般化の観点から、最先端の教師なしおよび教師なしの手法を一貫して上回っていることを示した。さらに,バックライト強化のための強力なベンチマークプロトコルの必要性も強調した。提案するフレームワークは,様々な照明条件にまたがる実世界の照明性能向上のための,堅牢でスケーラブルなソリューションを提供する。

関連論文リスト

DIME-Net: A Dual-Illumination Adaptive Enhancement Network Based on Retinex and Mixture-of-Experts [7.6894262288762665]
本稿では,DIME-Netと呼ばれるデュアルイルミネーション向上フレームワークを提案する。 Retinex理論を統合することで、このモジュールは低照度画像とバックライト画像の両方に合わせた拡張を効果的に実行する。 DIME-Netは, 実世界の低照度データセットとバックライトデータセットの両方において, 再トレーニングを伴わずに, 競合性能を達成できることを示す。
論文参考訳（メタデータ） (2025-08-19T15:17:47Z)
Degradation-Consistent Learning via Bidirectional Diffusion for Low-Light Image Enhancement [15.619960776528362]
低照度画像強調は、劣化した画像の視認性を改善し、人間の視覚的知覚とよりよく一致させることを目的としている。本稿では,低照度画像と通常照度画像の両方の劣化過程を共同でモデル化する双方向拡散最適化機構を提案する。本手法は,定量評価と定性評価の両方において最先端の手法より優れている。
論文参考訳（メタデータ） (2025-07-24T07:21:23Z)
SAIGFormer: A Spatially-Adaptive Illumination-Guided Network for Low-Light Image Enhancement [58.79901582809091]
近年, トランスフォーマーを用いた低照度化手法は, 世界照明の回復に有望な進展をもたらした。近年, トランスフォーマーを用いた低照度化手法は, 世界照明の回復に有望な進展をもたらした。正確な照明復元を可能にする空間適応照明誘導変圧器フレームワークを提案する。
論文参考訳（メタデータ） (2025-07-21T11:38:56Z)
From Enhancement to Understanding: Build a Generalized Bridge for Low-light Vision via Semantically Consistent Unsupervised Fine-tuning [65.94580484237737]
低照度向上は下流タスクの画質を向上させるが、既存の手法は物理的または幾何学的先行に頼っている。我々は、低照度強化と低照度理解の間に一般化された橋を架け、この橋をGEFU(Generalized Enhancement For Understanding)と呼ぶ。低照度劣化の多様な原因を解決するために,事前学習した生成拡散モデルを用いて画像の最適化を行い,ゼロショット一般化性能を実現する。
論文参考訳（メタデータ） (2025-07-11T07:51:26Z)
A Multi-Scale Spatial Attention-Based Zero-Shot Learning Framework for Low-Light Image Enhancement [3.55026004901472]
LucentVisionNetは、低照度画像強調のための新しいゼロショット学習フレームワークである。我々のフレームワークは、高い視覚的品質、構造的整合性、計算効率を実現する。モバイル写真、監視、自律ナビゲーションといった現実世界のアプリケーションにデプロイするのに適しています。
論文参考訳（メタデータ） (2025-06-23T06:11:55Z)
Brightness Perceiving for Recursive Low-Light Image Enhancement [8.926230015423624]
本稿では,高ダイナミックレンジ低照度画像強調のための輝度知覚に基づくフレームワークを提案する。アダプティブ・コントラストとテクスチャ・エンハンスメント・ネットワーク(ACT-Net)とブライトネス・パーセプション・ネットワーク(BP-Net)の2つの並列サブネットワークで構成されている。提案手法は,既存の11種類の代表法と比較し,参照基準と参照基準を含まない新しいSOTA性能を実現する。
論文参考訳（メタデータ） (2025-04-03T07:53:33Z)
Low-Light Video Enhancement via Spatial-Temporal Consistent Decomposition [52.89441679581216]
低照度ビデオエンハンスメント(LLVE)は、激しい視認性とノイズに悩まされる動的または静的なシーンの復元を目指している。本稿では、ビューに依存しない、ビューに依存しないコンポーネントを組み込んだ革新的なビデオ分解戦略を提案する。我々のフレームワークは、既存のメソッドを一貫して上回り、新しいSOTAパフォーマンスを確立します。
論文参考訳（メタデータ） (2024-05-24T15:56:40Z)
Enhancing Low-light Light Field Images with A Deep Compensation Unfolding Network [52.77569396659629]
本稿では,低光環境下で撮像した光場(LF)画像の復元に,DCUNet(Deep compensation network openfolding)を提案する。このフレームワークは、中間拡張結果を使用して照明マップを推定し、展開プロセスで新しい拡張結果を生成する。本稿では,LF画像の特徴を適切に活用するために,擬似明示的特徴相互作用モジュールを提案する。
論文参考訳（メタデータ） (2023-08-10T07:53:06Z)

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。