論文の概要: Learning Structural Illumination for Unsupervised Low-light Enhancement
- arxiv url: http://arxiv.org/abs/2608.08153v1
- Date: Sat, 08 Aug 2026 14:27:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.701199
- Title: Learning Structural Illumination for Unsupervised Low-light Enhancement
- Title（参考訳）: 教師なし低照度化のための構造照明の学習
- Authors: Tianle Du, Peiyuan He, Hainuo Wang, Tianxiu Yu, Xiaojie Guo,
- Abstract要約: 本稿では,相対照明構造を絶対露光から分離する相対照明構造推定(RISE)フレームワークを提案する。
シーン適応型露光調整のために,各入力から導出したデュアル・メータリング露光基準を提案する。
RISEは、教師なしLLIE法における最先端性能を実現し、視覚的に自然な結果を生成する。
- 参考スコア（独自算出の注目度）: 8.895269493077585
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing unsupervised low-light image enhancement (LLIE) methods often estimate illumination directly from the entire low-light input, without separating its spatially varying illumination pattern, termed relative illumination structure, from the absolute exposure level or preventing unreliable low signal-to-noise ratio regions from biasing the estimate. Moreover, fixed exposure targets impose a scene-agnostic enhancement criterion, limiting adaptation across diverse lighting conditions. Inspired by the spatial propagation of light, we propose a Relative Illumination Structure Estimation (RISE) framework that decouples relative illumination structure from absolute exposure and infers it from reliable bright regions, enabling interpretable and robust enhancement. For scene-adaptive exposure adjustment, we further propose a Dual-Metering Exposure Reference derived from each input, allowing RISE to adapt the enhancement strength to individual scenes and generalize across diverse lighting conditions. Extensive benchmark and real-world generalization experiments show that RISE achieves state-of-the-art performance among unsupervised LLIE methods while producing visually natural results.
- Abstract（参考訳）: 既存の低照度画像強調法(LLIE)は、空間的に異なる照明パターンである相対照度構造を絶対露光レベルから切り離したり、信頼できない低信号-雑音比領域が推定値の偏りを抑えることなく、直接低照度入力から照度を推定することが多い。
さらに、固定露光ターゲットは、シーンに依存しない拡張基準を課し、様々な照明条件への適応を制限する。
光の空間伝播にインスパイアされた相対照度構造推定(RISE)フレームワークを提案する。
さらに、シーン適応型露光調整のために、各入力から導出されるデュアルメータリング露光基準を提案し、RISEは個々のシーンに拡張強度を適応させ、様々な照明条件にまたがって一般化できるようにする。
広範囲なベンチマークと実世界の一般化実験により、RISEは教師なしLLIE法で最先端の性能を達成し、視覚的に自然な結果が得られることを示した。
関連論文リスト
- UBLLIE: Unified Backlight and Low-Light Image Enhancement [15.386282490743838]
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。
論文 参考訳（メタデータ） (2026-08-05T04:17:05Z) - ZeroIDIR: Zero-Reference Illumination Degradation Image Restoration with Perturbed Consistency Diffusion Models [72.4683657127516]
照明画像復元のためのゼロ参照拡散ベースフレームワークZeroIDIRを提案する。
フレームワークは、復元プロセスを適応照明補正と拡散に基づく再構成に分離する。
公開されているベンチマーク実験により、提案手法は最先端の教師なし競争相手よりも優れていることが示された。
論文 参考訳（メタデータ） (2026-05-12T02:36:49Z) - GLOW: Global Illumination-Aware Inverse Rendering of Indoor Scenes Captured with Dynamic Co-Located Light & Camera [18.90141473604964]
室内シーンの逆レンダリングは、反射率と照明のあいまいさのため、依然として困難である。
GLOWは、これらの課題に対処するために設計された、Global Illumination-aware Inverse Renderingフレームワークである。
論文 参考訳（メタデータ） (2025-11-28T03:24:12Z) - 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) - Adaptive Low Light Enhancement via Joint Global-Local Illumination Adjustment [0.0]
低照度画像における局所的な露光の不整合に対処する新しい明るさ適応型拡張フレームワークを提案する。
提案手法は,最先端のアルゴリズムと比較して,定量的,定性的な結果が得られる。
論文 参考訳（メタデータ） (2025-04-01T03:46:28Z) - DifFRelight: Diffusion-Based Facial Performance Relighting [12.909429637057343]
拡散に基づく画像から画像への変換を用いた,自由視点顔の表情のリライティングのための新しいフレームワークを提案する。
我々は、正確な照明制御のための拡散モデルを訓練し、フラットライト入力からの顔画像の高忠実度化を可能にする。
このモデルは、目の反射、地表面散乱、自影、半透明といった複雑な照明効果を正確に再現する。
論文 参考訳（メタデータ） (2024-10-10T17:56:44Z) - Learning a Single Convolutional Layer Model for Low Light Image
Enhancement [43.411846299085575]
低照度画像強調(LLIE)は、光照射不足による画像の照度向上を目的としている。
粗く強化された結果として,グローバルな低照度化を実現する単一畳み込み層モデル(SCLM)を提案する。
実験結果から,提案手法は客観的指標と主観的視覚効果の両方において,最先端のLLIE法に対して良好に機能することが示された。
論文 参考訳（メタデータ） (2023-05-23T13:12:00Z) - CuDi: Curve Distillation for Efficient and Controllable Exposure
Adjustment [86.97592472794724]
そこで我々は, 対や不対のデータを必要とせず, 効率よくかつ制御可能な露光調整のためのCuDi曲線蒸留法を提案する。
提案手法は,ゼロ参照学習と曲線ベースのフレームワークを,実効的な低照度画像強調手法であるゼロDCEから継承する。
提案手法は, 高速で頑健でフレキシブルな性能に優れ, 実シーンにおける最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-07-28T17:53:46Z) - Cycle-Interactive Generative Adversarial Network for Robust Unsupervised
Low-Light Enhancement [109.335317310485]
CIGAN(Cycle-Interactive Generative Adversarial Network)は、低照度画像間の照明分布の転送を改善できるだけでなく、詳細な信号も操作できる。
特に、提案した低照度誘導変換は、低照度GAN生成器から劣化GAN生成器へ、低照度画像の特徴をフォワードする。
論文 参考訳（メタデータ） (2022-07-03T06:37:46Z) - Sparse Needlets for Lighting Estimation with Spherical Transport Loss [89.52531416604774]
NeedleLightは、新しい照明推定モデルであり、必要に応じて照明を表現し、周波数領域と空間領域を共同で照明推定することができる。
大規模な実験により、NeedleLightは、最先端の手法と比較して、複数の評価指標で常に優れた照明推定を実現していることがわかった。
論文 参考訳（メタデータ） (2021-06-24T15:19:42Z) - 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。