論文の概要: DARD: Zero-Shot Degradation-Aware Retinex-Guided Diffusion for Low-Light Image Enhancement

• arxiv url: http://arxiv.org/abs/2608.29243v1
• Date: Sat, 29 Aug 2026 12:55:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.897787
• Title: DARD: Zero-Shot Degradation-Aware Retinex-Guided Diffusion for Low-Light Image Enhancement
• Title（参考訳）: DARD:低照度画像強調のためのゼロショット劣化対応網膜誘導拡散
• Abstract要約: 低照度画像強調のためのゼロショットデグラデーション・アウェア・レチネックス誘導拡散フレームワークであるDARDを提案する。 DARDはまず、テスト時間劣化認識Retinex分解を通じて劣化した入力から画像特異的物理先行情報を抽出する。 そして、これらの前駆体を時間順応的な周波数融合戦略を通じて逆拡散させ、構造的アンカーと詳細生成のバランスをとる。 実験により、DARDは強い歪みと知覚性能を達成し、既存のゼロショットベースラインを一貫して上回っていることが示された。
• 参考スコア（独自算出の注目度）: 12.004067198386421
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing diffusion-based enhancement methods provide strong generative capability for low-light image enhancement (LLIE), yet they either rely on paired supervision or lack reliable scene constraints in zero-shot settings, often leading to structural inconsistency and color drift. Motivated by conventional Retinex models, which offer physically interpretable priors that can serve as reliable scene constraints yet struggle with mixed degradations in real-world scenarios, we propose DARD, a zero-shot Degradation-Aware Retinex-guided Diffusion framework for LLIE. DARD first extracts image-specific physical priors from the degraded input through a test-time degradation-aware Retinex decomposition, thereby providing reliable structural guidance for zero-shot restoration. It then injects these priors into reverse diffusion through a timestep-adaptive frequency fusion strategy to balance structural anchoring and detail generation. Finally, a guided reverse refinement process with physical consistency and Contrastive Language-Image Pre-training (CLIP)-based semantic guidance is introduced to suppress structural artifacts and semantic drift during sampling. Extensive experiments show that DARD achieves strong distortion and perceptual performance and consistently outperforms existing zero-shot baselines across multiple real-world low-light benchmarks. To further validate the practical utility of our method for downstream applications, we evaluated its impact on semantic segmentation. Experiments demonstrate that images enhanced by DARD achieve a 28.10% relative improvement in mIoU over AGLLDiff.
• Abstract（参考訳）: 既存の拡散に基づく拡張手法は、低照度画像強調(LLIE)に対して強力な生成能力を提供するが、ペア化された監督に依存するか、ゼロショット設定における信頼性の高いシーン制約を欠くかのいずれかであり、しばしば構造上の矛盾とカラードリフトをもたらす。 実世界のシナリオにおいて、信頼性の高いシーン制約として機能する物理的に解釈可能な事前情報を提供する従来のRetinexモデルによって動機付けられ、ゼロショットのデグラデーション・アウェア・レチネックス誘導拡散フレームワークであるDARDを提案する。 DARDは、まず、劣化した入力から、テスト時間劣化を意識したRetinex分解を通じて画像特異的な物理先行情報を抽出し、ゼロショット復元のための信頼性の高い構造ガイダンスを提供する。 そして、これらの前駆体を時間順応的な周波数融合戦略を通じて逆拡散させ、構造的アンカーと詳細生成のバランスをとる。 最後に, 構造的アーティファクトやサンプリング中のセマンティックドリフトを抑えるために, 身体的整合性とコントラスト言語-画像事前学習(CLIP)に基づくセマンティックガイダンスを導入した。 大規模な実験により、DARDは強い歪みと知覚性能を達成し、複数の実世界の低照度ベンチマークで既存のゼロショットベースラインを一貫して上回っていることが示された。 ダウンストリームアプリケーションにおける本手法の実用性をさらに検証するため,セマンティックセグメンテーションへの影響を評価した。 実験により、DARDによって強化された画像はAGLLDiffよりも28.10%のmIoUを相対的に改善していることが示された。

関連論文リスト

• Local Epistemic Uncertainty Guided Active Sampling for Plug-and-play Diffusive Image Restoration [15.371827475537776]
  局所的不確実性ガイド型アクティブサンプリングフレームワークを開発した。 空間領域における細部保存とアーティファクトの抑制のバランスをとる。 メモリオーバーヘッドを無視してサンプリング時間を短縮する。
  論文  参考訳（メタデータ） (2026-08-07T09:00:20Z)
• RPL-UIE: Reliable Prior Learning for Underwater Image Enhancement [26.456497000099148]
  水中画像強調のための信頼性の高い事前学習のためのフレームワークであるRPL-UIEを提案する。 教師段階において、ネットワークは、対の劣化画像と参照画像から外観と光度特性を特徴付ける信頼性と相補的な空間的優先順位を学習する。 学生の段階では、ネットワークは劣化した画像のみを入力として取り、教師の事前抽出能力をエミュレートすることを学ぶ。
  論文  参考訳（メタデータ） (2026-07-31T14:30:36Z)
• Noise-Free One-Step LoRA for Task-Driven Image Restoration with Diffusion Priors [54.200377321709546]
  劣化した画像は視覚的品質を低下させるだけでなく、下流の高レベル視覚タスクを損なう。 タスク駆動画像復元(TDIR)は、復元品質とタスク性能を協調的に最適化することでこの問題に対処する。 予め訓練した拡散前処理による雑音のない1段階前処理は,TDIRを大幅に改善できることを示す。 また,タスク性能を犠牲にすることなく,知覚品質を向上させるタスク保存型GANトレーニング戦略を導入する。
  論文  参考訳（メタデータ） (2026-07-28T07:51:44Z)
• IB-Flow: Information Bottleneck-Guided CFG Distillation for Few-Step Text-to-Image Generation [9.17007090517294]
  自由誘導軌道を対象とする蒸留は2次元圧縮パラダイムとして広く普及している。 我々は、情報理論の理論レンズを通して蒸留プロセスを再検討する。 本稿では、難解なKL分散制約をゼロオーバーヘッド閉形式解に変換するインスタンス認識選択機構を提案する。
  論文  参考訳（メタデータ） (2026-07-10T06:43:43Z)
• 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)
• Restoration-Aligned Generative Flow Models for Blind Motion Deblurring [57.425021485907756]
  本稿では,フロー軌跡自体を再構成することで,不整合を解消するフレームワークであるDeFlowを紹介する。 この定式化の下では、標準フローマッチング損失は自然に残留損失の形を取る。 GoPro、HIDE、RealBlur、RWBIの実験では、DeFlowは強力な復元忠実性と知覚リアリズムを実現している。
  論文  参考訳（メタデータ） (2026-05-09T10:05:51Z)
• Robust-R1: Degradation-Aware Reasoning for Robust Visual Understanding [54.05243949024302]
  既存の堅牢なMLLMは、視覚エンコーダの一般化にのみ焦点をあてた暗黙のトレーニング/適応に依存している。 本稿では,構造的推論連鎖による視覚的劣化を明示的にモデル化する新しいフレームワークであるRobust-R1を提案する。 提案手法は, (i) 劣化を考慮した推論基盤の微調整, (ii) 劣化パラメータを正確に知覚するための報酬駆動アライメント, (iii) 劣化強度に適応した動的推論深度スケーリングの2つを統合した。
  論文  参考訳（メタデータ） (2025-12-19T12:56:17Z)
• Efficient Diffusion as Low Light Enhancer [63.789138528062225]
  RATR(Reflectance-Aware Trajectory Refinement)は、イメージの反射成分を用いて教師の軌跡を洗練するための、シンプルで効果的なモジュールである。 textbfReDDiT (textbfDistilled textbfTrajectory) は低照度画像強調(LLIE)に適した効率的で柔軟な蒸留フレームワークである。
  論文  参考訳（メタデータ） (2024-10-16T08:07:18Z)
• Reti-Diff: Illumination Degradation Image Restoration with Retinex-based Latent Diffusion Model [59.08821399652483]
  照明劣化画像復元(IDIR)技術は、劣化した画像の視認性を改善し、劣化した照明の悪影響を軽減することを目的としている。 これらのアルゴリズムのうち、拡散モデル(DM)に基づく手法は期待できる性能を示しているが、画像レベルの分布を予測する際に、重い計算要求や画素の不一致の問題に悩まされることが多い。 我々は、コンパクトな潜在空間内でDMを活用して、簡潔な指導先を生成することを提案し、IDIRタスクのためのReti-Diffと呼ばれる新しいソリューションを提案する。 Reti-Diff は Retinex-based Latent DM (RLDM) と Retinex-Guided Transformer (RG) の2つの鍵成分からなる。
  論文  参考訳（メタデータ） (2023-11-20T09:55:06Z)

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。