論文の概要: Di$^2$CycleSB: Towards High-Quality Unsupervised Nighttime Visibility Enhancement via Schrödinger Bridge Transformer
- arxiv url: http://arxiv.org/abs/2608.29043v1
- Date: Sat, 29 Aug 2026 04:31:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.82444
- Title: Di$^2$CycleSB: Towards High-Quality Unsupervised Nighttime Visibility Enhancement via Schrödinger Bridge Transformer
- Title（参考訳）: Di$^2$CycleSB:Schrödinger Bridge Transformerによる高品質非教師型夜間可視性向上に向けて
- Abstract要約: Di$2$CycleSBは動的積分画像でガイドされるCycle Schrdinger Bridge Transformerフレームワークである。
正規化制約や画像分解を伴わずに、効果的にエンドツーエンドの光効果抑制を実現する。
- 参考スコア（独自算出の注目度）: 50.315688010424964
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Light-effect contamination poses a significant challenge to nighttime visibility enhancement. Most methods suppress light effects by estimating and decomposing them through prior-driven regularization, yet they are often limited by hand-crafted priors and ill-posed nature of decomposition. This work proposes Di$^2$CycleSB, a unsupervised Cycle Schrödinger Bridge Transformer framework guided by dynamic integral image priors, for high-quality unsupervised nighttime visibility enhancement. Specifically, a novel light-effect estimator is introduced to parameterize Gaussian-like adaptive priors by aggregating dynamic integral image representations for non-uniform glow estimation. Then, we propose a prior-informed Generator that exploits light-effect representations to guide long-range dependency modeling within our specific Transformer blocks. We formulate light-effect suppression as a Schrödinger bridge problem and construct forward and backward bridges with cycle consistency constraints to achieve visually pleasing enhancement. Extensive experiments on real-world datasets demonstrate the remarkable effectiveness of our Di$^2$CycleSB in enhancing nighttime visibility. In particular, it achieves effective end-to-end light-effect suppression without any regularization constraints and image decomposition. The code and models are available at https://github.com/LHTcode/Di2CycleSB.
- Abstract（参考訳）: 光効果汚染は夜間の可視性向上に重大な課題をもたらす。
ほとんどの方法は、事前に駆動された正則化を通じて光の効果を推定し分解することで抑制するが、手作りの先行と不適切な分解の性質によって制限されることが多い。
本研究は、高品質な夜間可視性向上のために、動的積分画像で導かれる非教師なしサイクルシュレーディンガーブリッジトランスフォーマフレームワークであるDi$^2$CycleSBを提案する。
具体的には、非一様光推定のための動的積分画像表現を集約することにより、ガウス的な適応先をパラメータ化するために、新しい光効果推定器を導入する。
そこで本研究では,光効果表現を利用して,特定のTransformerブロック内での長距離依存性モデリングをガイドする事前インフォームドジェネレータを提案する。
我々は、シュレーディンガー橋問題として光効果抑制を定式化し、サイクル整合制約付き前方および後方橋を構築し、視覚的に満足な拡張を実現する。
実世界のデータセットに対する大規模な実験は、夜間の可視性を高めるためにDi$^2$CycleSBの顕著な効果を示した。
特に、正規化制約や画像分解を伴わずに、効果的なエンドツーエンドの光効果抑制を実現する。
コードとモデルはhttps://github.com/LHTcode/Di2CycleSB.comで公開されている。
関連論文リスト
- Cyclops: LiDAR as a Camera That Dreams in Color [32.25721672776894]
本稿では,非反復走査LiDAR(NRS-LiDAR)強度をRGBビデオに変換するフレームワークを提案する。
提案手法は, 凍結した予混合密度モジュールを用いて, スパースLiDAR強度射影を密度密度表現に変換する。
その後、高密度潜水剤はラテントブリッジマッチングを介してターゲットRGB分布へ輸送される。
論文 参考訳（メタデータ） (2026-08-17T08:37:09Z) - Adaptive Illumination Control for Robot Perception [6.718749267591075]
Lightningは、ビジュアルSLAMのためのクローズドループ照明制御フレームワークである。
ライティング、オフライン最適化、模倣学習を組み合わせたものだ。
SLAM軌道を大幅に改善し、不要な照明電力を低減させる。
論文 参考訳（メタデータ） (2026-02-13T03:34:01Z) - RobustSplat++: Decoupling Densification, Dynamics, and Illumination for In-the-Wild 3DGS [85.90134051583368]
3D Gaussian Splatting (3DGS)は、新しいビュー合成と3Dモデリングにおけるリアルタイム、フォトリアリスティックレンダリングにおいて大きな注目を集めている。
既存の手法は、過渡的な物体や照度の影響を受けやすいシーンを正確にモデル化するのに苦労する。
いくつかの重要な設計に基づく堅牢なソリューションであるRobustSplat++を提案する。
論文 参考訳（メタデータ） (2025-12-04T14:05:09Z) - RobustSplat: Decoupling Densification and Dynamics for Transient-Free 3DGS [79.15416002879239]
3D Gaussian Splattingは、ノベルビュー合成と3Dモデリングにおけるリアルタイム、フォトリアリスティックレンダリングにおいて大きな注目を集めている。
既存の手法は、過渡的なオブジェクトに影響されたシーンを正確にモデル化するのに苦労し、描画された画像のアーティファクトに繋がる。
2つの重要な設計に基づく堅牢なソリューションであるRobustSplatを提案する。
論文 参考訳（メタデータ） (2025-06-03T11:13:48Z) - FUSE: Label-Free Image-Event Joint Monocular Depth Estimation via Frequency-Decoupled Alignment and Degradation-Robust Fusion [92.4205087439928]
画像強調共同深度推定法は、頑健な知覚に相補的なモダリティを利用するが、一般化可能性の課題に直面している。
自己監督型転送(PST)と周波数デカップリング型フュージョンモジュール(FreDF)を提案する。
PSTは、画像基盤モデルとの遅延空間アライメントによるクロスモーダルな知識伝達を確立し、データ不足を効果的に軽減する。
FreDFは、低周波構造成分から高周波エッジ特性を明示的に分離し、モード比周波数ミスマッチを解消する。
この組み合わせのアプローチにより、FUSEはターゲットデータセットに対する軽量デコーダ適応のみを必要とするユニバーサルなイメージイベントを構築することができる。
論文 参考訳（メタデータ） (2025-03-25T15:04:53Z) - DAP-LED: Learning Degradation-Aware Priors with CLIP for Joint Low-light Enhancement and Deblurring [14.003870853594972]
DAP-LEDと呼ばれる新しい変圧器を用いた共同学習フレームワークを提案する。
低照度向上と劣化を共同で達成することができ、深度推定、セグメンテーション、暗黒での検知といった下流タスクの恩恵を受けることができる。
重要な洞察は、CLIPを活用して、夜間に画像から劣化レベルを適応的に学習することだ。
論文 参考訳（メタデータ） (2024-09-20T13:37:53Z) - From Generation to Suppression: Towards Effective Irregular Glow Removal
for Nighttime Visibility Enhancement [22.565044107631696]
既存の低照度画像強調法 (LLIE) は、主に暗黒領域の明るさを改善するために設計されている。
これらの手法は、他の大きな視界の損傷である、夜間の夜景における光の影響を限定的に探究することができる。
大気点拡散関数(APSF)に基づく多重散乱推定による物理光発生の学習法を提案する。
提案手法はゼロショット学習に基づいており、ペアやアンペアのトレーニングデータに頼らず、光抑制と低照度強化の両方において提案手法の有効性を実証的に評価する。
論文 参考訳（メタデータ） (2023-07-31T15:51:15Z) - NightHazeFormer: Single Nighttime Haze Removal Using Prior Query
Transformer [39.90066556289063]
我々はナイトヘイズフォーマー(NightHazeFormer)と呼ばれる夜間ヘイズ除去のためのエンドツーエンドのトランスフォーマーベースのフレームワークを提案する。
提案手法は,教師付き事前学習と半教師付き微調整の2段階からなる。
いくつかの合成および実世界のデータセットの実験は、最先端の夜間ヘイズ除去法よりもNightHazeFormerの方が優れていることを示している。
論文 参考訳（メタデータ） (2023-05-16T15:26:09Z) - Practical Exposure Correction: Great Truths Are Always Simple [65.82019845544869]
我々は,効率と性能の特性を組み立てるPEC(Practical Exposure Corrector)を確立する。
観測結果から有用な情報を抽出するキーエンジンとして,露光対向関数を導入する。
我々の実験は提案したPECの優位性を十分に明らかにしている。
論文 参考訳（メタデータ） (2022-12-29T09:52:13Z) - Nighttime Dehazing with a Synthetic Benchmark [147.21955799938115]
昼間の鮮明な画像から夜間のハズイ画像をシミュレートする3Rという新しい合成法を提案する。
実空間の光色を以前の経験的分布からサンプリングすることにより,現実的な夜間ハズイ画像を生成する。
実験結果は、画像の品質と実行時間の両方の観点から、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） (2020-08-10T02:16:46Z)
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。