論文の概要: AutoLumNet: Monotone Optimal Transport for Single-Shot Exposure Correction
- arxiv url: http://arxiv.org/abs/2608.19860v1
- Date: Thu, 20 Aug 2026 10:13:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-21 20:28:51.528244
- Title: AutoLumNet: Monotone Optimal Transport for Single-Shot Exposure Correction
- Title（参考訳）: AutoLumNet:シングルショット露光補正のためのモノトン最適輸送
- Abstract要約: 単発露光補正は、任意に劣化した画像を単一のキャプチャからよく露光された出力にマッピングすることを目的としている。
このタスクをグローバルなモノトーントーン曲線と有界局所残差に分解するフレームワークであるAutoLumNetを提案する。
5つのベンチマーク実験により、AutoLumNetは1フレーム当たり11.2,msで、内部および過剰露光状態の両方で最先端のPSNRとSSIMを達成することが示された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Single-shot exposure correction aims to map an arbitrarily degraded image---whether under-exposed, over-exposed, or a spatial mixture of both---to a well-exposed output from a single capture. We present AutoLumNet, a framework that decomposes this task into a global monotone tone curve and a bounded local residual, making the global component the locus of formal guarantees. The tone curve is parameterized as the normalized cumulative integral of a strictly positive density, ensuring strict monotonicity by construction rather than by penalty. We prove that this parameterization (i)~preserves the pairwise luminance ordering of all pixels and all spatial extrema unconditionally, and (ii)~is dense in the space of valid tone corrections, containing the one-dimensional optimal-transport map from the input to any target luminance distribution. A differentiable sorted-sample Wasserstein-2 objective drives the learned curve toward the OT optimum during training. Spatially varying effects that the global map provably cannot address---local shading, chrominance shifts, and clipped-region restoration---are handled by a bounded residual decoder with dual-branch convex fusion, for which we provide an explicit sufficient condition for local order preservation. Experiments on five benchmarks (MSEC, SICE, LCDP, LOL-v1, LOL-v2-real) show that AutoLumNet achieves state-of-the-art PSNR and SSIM across both under- and over-exposure regimes at 11.2\,ms per frame, and generalizes zero-shot to pure low-light benchmarks without retraining. To our knowledge, AutoLumNet is the first exposure-correction method to unite structural monotonicity, optimal-transport optimality, and bounded local adaptivity within a single trainable architecture. Code is available at https://github.com/kraihan/Autolumnet.
- Abstract（参考訳）: 単発露光補正は、未露光、過剰露光、または両者の空間的混合の有無に関わらず、任意に劣化した画像をマッピングすることを目的としている。
我々は、このタスクをグローバルなモノトーントーン曲線と有界な局所残差に分解するフレームワークであるAutoLumNetを紹介し、グローバルなコンポーネントを形式的な保証の軌跡にする。
トーン曲線は、厳密な正密度の正規化された累積積分としてパラメータ化され、ペナルティよりも建設による厳密な単調性を保証する。
我々はこのパラメータ化が証明される
(i)~は、すべての画素とすべての空間極限の対の輝度順序を無条件に保存し、
(ii)~は有効トーン補正の空間に密接であり、入力から任意の目標輝度分布への1次元最適輸送写像を含む。
微分可能なソートされたサンプルワッサースタイン2の目的は、学習した曲線を訓練中にOT最適化に向けて駆動する。
局所的なシェーディング, クロミナンスシフト, クリッピングされた領域復元を, 二重分岐凸核融合を持つ有界残留復号器で処理し, 局所的な秩序維持に十分な条件を提供する。
5つのベンチマーク(MSEC, SICE, LCDP, LOL-v1, LOL-v2-real)での実験では、AutoLumNetは1フレーム当たり11.2\,msの露光条件下で最先端のPSNRとSSIMを実現し、再トレーニングなしでゼロショットから純粋な低照度ベンチマークを一般化している。
我々の知る限り、AutoLumNetは単一のトレーニング可能なアーキテクチャ内で構造的単調性、最適輸送最適性、および有界局所適応性を統一する最初の露光補正手法である。
コードはhttps://github.com/kraihan/Autolumnet.comで入手できる。
関連論文リスト
- GeoTTER: Leveraging Local Geometry of Optimal Transport for Zero-Shot Classification [6.57308991987631]
GeoTTERはゼロショット分類の領域で最適なトランスポートを再定義する新しいフレームワークである。
OTTERに比べて+6.82%、+2.13%の中央値の改善により、GeoTTERは様々なベンチマークで堅牢な改善を示している。
論文 参考訳（メタデータ） (2026-09-11T20:38:54Z) - A Top-Down Framework for Metric-Scale Athlete Localization from Single Broadcast Frames [8.167255229937995]
一つのフレームから距離スケールのアスリートのローカライゼーションを行うためのトップダウンフレームワークを提案する。
Boundary-Aware Adaptive Tilingは境界分割アーティファクトを緩和する。
第2に、RTMPose-Xアーキテクチャを特殊な2キーポイント推定器に適応させる。
第3に, カメラキャリブレーションによる2次元地上投影を世界座標に決定的に引き上げる。
論文 参考訳（メタデータ） (2026-09-02T15:07:24Z) - Efficient Real-World Dehazing via Physics-Inspired Global-Local Decoupling [9.594040041748388]
実世界の単一画像デハジングは、空間的およびスペクトル的に異なる散乱のため、非常に不規則である。
本稿では,演算子レベルのエミュレーションによる物理的帰納バイアスを組み込んだ軽量なフレームワークであるPGL-Netを提案する。
PGL-Netは、複雑さを大幅に減らして最先端の復元品質を達成する。
論文 参考訳（メタデータ） (2026-06-24T11:58:29Z) - AIGS-Net: Compact Illumination Field Modeling via 2D Gaussian Splatting for Fast Low-Light Image Enhancement [19.712825613823778]
本稿では,高速低照度化のための適応照明ガウス格子ネットワーク(AIGS-Net)を提案する。
従来の静的プリミティブとは異なり、AIGS-Netは入力適応型2Dガウス散乱照明場を構築する。
実験によると、AIGS-Netは、約40の学習可能なパラメータしか必要とせず、ディテールリカバリと色忠実度を改善する。
論文 参考訳（メタデータ） (2026-06-16T14:45:55Z) - Surflo: Consistent 3D Surface Flow Model with Global State [57.57234680235885]
Surfloは、方向付けられた3次元表面点を、ノイズからフローマッチングを通じて独立して表面へ輸送することでデコードする。
独立なポイント単位の復号化に固有の局所的不整合を抑制するために、光度勾配を注入することにより、推定時間誘導項が近傍の点と相関する。
Surfloは、サーフェスメトリクスのフィードフォワードベースラインにマッチし、数百のビューを必要とする最適化ベースのメソッドよりも桁違いに高速に動作し、グローバルなラテントと任意の解像度のデコーディングを組み合わせた唯一のフィードフォワードアプローチである。
論文 参考訳（メタデータ） (2026-06-11T17:48:38Z) - U-HNO: A U-shaped Hybrid Neural Operator with Sparse-Point Adaptive Routing for Non-stationary PDE Dynamics [7.23685260715089]
中心設計はスパースポイント適応ルーティング(SPAR)であるU字型ハイブリッドニューラル演算子U-HNOを提案する。
SPARは階層的なエンコーダ・ブートネック・デコーダのバックボーンに埋め込まれており、スキップ接続により両分岐とゲートが全ての解像度で動作する。
U-HNOは、相対的なL2とH1メトリクスの両方のタスクの大多数において、最先端のロールアウト精度を達成する。
論文 参考訳（メタデータ） (2026-05-13T04:00:43Z) - Stability and Generalization of Push-Sum Based Decentralized Optimization over Directed Graphs [55.77845440440496]
プッシュベースの分散通信は、情報交換が非対称である可能性のある通信ネットワークの最適化を可能にする。
我々は、グラディエント・プッシュ(SGP)アルゴリズムのための統一的な一様安定性フレームワークを開発する。
重要な技術的要素は、2つの量に束縛された不均衡認識の一般化である。
論文 参考訳（メタデータ） (2026-02-24T05:32:03Z) - Optimizing Distributional Geometry Alignment with Optimal Transport for Generative Dataset Distillation [109.13471554184554]
最適輸送(OT)距離最小化問題としてデータセット蒸留を再構成する。
OTは分布マッチングのための幾何学的に忠実なフレームワークを提供する。
提案手法は, 常に最先端の手法を効率よく上回っている。
論文 参考訳（メタデータ） (2025-11-29T04:04:05Z) - Scale-DiT: Ultra-High-Resolution Image Generation with Hierarchical Local Attention [50.391914489898774]
Scale-DiTは、階層的な局所的注意を低解像度のグローバルガイダンスで導入する新しい拡散フレームワークである。
軽量なLoRA適応は、デノナイズ中のグローバルパスとローカルパスをブリッジし、構造と詳細の整合性を確保する。
実験によると、Scale-DiTは2ドル以上の高速な推論とメモリ使用量の削減を実現している。
論文 参考訳（メタデータ） (2025-10-18T03:15:26Z) - Gaussian Primitive Optimized Deformable Retinal Image Registration [19.882820812725523]
変形性網膜画像登録は、大きな同種領域とスパースだが重要な血管的特徴のため、非常に困難である。
これらの課題を克服するために、構造化メッセージパッシングを実行する新しい反復的フレームワークを導入する。
FIREデータセットの実験では、GPOはターゲット登録エラーを6.2,pxから2.4,pxに減らし、AUCを0.770から0.938に増やしている。
論文 参考訳（メタデータ） (2025-08-23T00:44:50Z) - Towards Optimal Aggregation of Varying Range Dependencies in Haze Removal [17.29370328189668]
既存の手法は、局所的な詳細を保存するための短距離依存関係や、グローバルなコンテキストを捉えるための長距離依存関係を専門にすることで、顕著な成功を収めている。
DehazeMaticを提案する。これは、デュアルストリーム設計により、短距離および長距離の両方の依存関係を同時に、かつ明示的にキャプチャする。
論文 参考訳（メタデータ） (2024-08-22T11:51:50Z) - FRIH: Fine-grained Region-aware Image Harmonization [49.420765789360836]
我々は,FRIH(Fentral-Aware Image Harmonization)のための新しいグローバルな2段階フレームワークを提案する。
提案アルゴリズムは,軽量モデルを用いて,iHarmony4データセット(PSNRは38.19dB)上で最高の性能を実現する。
論文 参考訳（メタデータ） (2022-05-13T04:50:26Z) - Spatial-Separated Curve Rendering Network for Efficient and
High-Resolution Image Harmonization [59.19214040221055]
本稿では,空間分離型曲線描画ネットワーク(S$2$CRNet)を提案する。
提案手法は従来の手法と比較して90%以上のパラメータを減少させる。
提案手法は,既存の手法よりも10ドル以上高速な高解像度画像をリアルタイムにスムーズに処理することができる。
論文 参考訳（メタデータ） (2021-09-13T07:20:16Z)
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。