論文の概要: P-PatchDiff: Progressive Patch Diffusion Models for Low-light Image Enhancement

• arxiv url: http://arxiv.org/abs/2609.01123v1
• Date: Tue, 01 Sep 2026 12:01:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.614656
• Title: P-PatchDiff: Progressive Patch Diffusion Models for Low-light Image Enhancement
• Title（参考訳）: P-PatchDiff:低照度画像強調のためのプログレッシブパッチ拡散モデル
• Authors: Ruoyu Guo, Haonan Zhong, Maurice Pagnucco, Yang Song,
• Abstract要約: 低照度画像強調のためのスケーラブルなプログレッシブパッチ拡散フレームワークであるP-PatchDiffを提案する。 局所的なビューからグローバルビューへの段階的なシフトを可能にするため、デノナイジングプロセスを通じてパッチサイズを動的に調整する。 P-PatchDiffが400ドルから600ドルから4Kの画像を効果的に拡張できることを実証的に実証した。
• 参考スコア（独自算出の注目度）: 16.721528049675424
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent advancements in low-light image enhancement have leveraged diffusion models for their strong ability to generate perceptually realistic, detailed images. Patch diffusion models further offer a promising solution to size-agnostic image restoration while improving efficiency. However, existing methods typically rely on small, fixed patches (e.g., 64$\times$64) that cannot capture image-level brightness context, whereas enlarging the receptive field improves brightness and colour estimation but substantially increases computational cost. Moreover, low-light images often exhibit uneven brightness across regions, making it necessary to ensure that locally enhanced patches remain visually coherent when combined into the full image. To address these limitations, we propose P-PatchDiff, a scalable progressive patch diffusion framework for low-light image enhancement that dynamically adjusts patch size throughout the denoising process, enabling a gradual shift from local to global views. A Multi-Patch Alignment strategy is also introduced to normalise features across varying patch scales using an estimated global brightness proxy. Rather than pursuing pixel-level reconstruction accuracy, P-PatchDiff focuses on scalability and coherent brightness across the whole image, allowing the model to perceive multi-scale information and better enhance regions with varying brightness. We empirically demonstrate that P-PatchDiff effectively enhances images ranging from 400 $\times$ 600 to 4K and is 80$\times$ faster than existing patch diffusion models while using less than 9GB of memory. The code is available at https://github.com/RuoyuGuo/P-PatchDiff.
• Abstract（参考訳）: 低照度画像強調の最近の進歩は、拡散モデルを利用して、知覚的にリアルで詳細な画像を生成する強力な能力を実現している。 パッチ拡散モデルはさらに、サイズに依存しない画像復元に対して、効率を向上しながら有望なソリューションを提供する。 しかし、既存の手法は通常、画像レベルの明るさコンテキストをキャプチャできない小さな固定パッチ(例えば64$\times$64)に依存している。 さらに、低照度画像は領域間で不均一な明るさを示すことが多く、全画像に組み合わせた場合、局所的に強化されたパッチが視覚的にコヒーレントであることを保証する必要がある。 これらの制約に対処するため,低照度画像強調のためのスケーラブルなプログレッシブパッチ拡散フレームワークであるP-PatchDiffを提案する。 マルチパッチアライメント戦略は、推定されたグローバル輝度プロキシを使用して、さまざまなパッチスケールにまたがる機能を正規化するためにも導入されている。 P-PatchDiffはピクセルレベルの再構成の精度を追求するのではなく、画像全体のスケーラビリティとコヒーレントな明るさに重点を置いている。 P-PatchDiffは、400$\times$600から4Kまでの画像を効果的に拡張し、9GB以下のメモリを使用しながら、既存のパッチ拡散モデルよりも80$\times$高速であることを示す。 コードはhttps://github.com/RuoyuGuo/P-PatchDiffで公開されている。

関連論文リスト

• MOSAIK: Multi-Patch Content-Aware Spatial Allocation of Image Tokens for Efficient Generation [26.941280093248263]
  MOSAIKは損傷を誘導するフレームワークで、パッチサイズが地域によって異なる。 私たちのアプローチは、適度な予算で非常に競争力のあるパフォーマンスを提供します。
  論文  参考訳（メタデータ） (2026-08-05T22:52:41Z)
• APT: Improving Diffusion Models for High Resolution Image Generation with Adaptive Path Tracing [24.33819371470651]
  遅延拡散モデル(LDM)は一般的に固定解像度で訓練され、高解像度画像へのスケーリングの能力を制限する。 本稿では,アダプティブパストレース(APT)を提案する。これは,パッチ分布の一貫性を維持するために,統計的マッチングを組み合わせたフレームワークである。 その結果、APTは高解像度画像においてより鮮明で洗練された細部を生成する。
  論文  参考訳（メタデータ） (2025-07-29T11:13:03Z)
• Unveiling Advanced Frequency Disentanglement Paradigm for Low-Light Image Enhancement [61.22119364400268]
  周波数不整合最適化を改良した新しい低周波整合性手法を提案する。 注目すべき改善点は5つの人気のあるベンチマークで示されており、6つの最先端モデルで達成されたPSNRの7.68dBのゲインである。 提案手法は,88K余剰パラメータで効率を保ち,低照度画像強調の挑戦的な領域に新たな標準を設定する。
  論文  参考訳（メタデータ） (2024-09-03T06:19:03Z)
• PatchScaler: An Efficient Patch-Independent Diffusion Model for Image Super-Resolution [44.345740602726345]
  PatchScalerは、単一画像超解像のための効率的なパッチ非依存拡散パイプラインである。 テクスチャは、共通参照テクスチャメモリから、ターゲットパッチのテクスチャ先行を適応的に検索する。 本コードでは,定量評価と定性評価の両方において優れた性能を示し,推論を著しく高速化する。
  論文  参考訳（メタデータ） (2024-05-27T13:31:46Z)
• CodeEnhance: A Codebook-Driven Approach for Low-Light Image Enhancement [97.95330185793358]
  低照度画像強調(LLIE)は、低照度画像を改善することを目的としている。 既存の手法では、様々な明るさ劣化からの回復の不確実性と、テクスチャと色情報の喪失という2つの課題に直面している。 我々は、量子化された先行値と画像の精細化を利用して、新しいエンハンスメント手法、CodeEnhanceを提案する。
  論文  参考訳（メタデータ） (2024-04-08T07:34:39Z)
• A Non-Uniform Low-Light Image Enhancement Method with Multi-Scale Attention Transformer and Luminance Consistency Loss [11.585269110131659]
  低照度画像強調は、薄暗い環境で収集された画像の知覚を改善することを目的としている。 既存の方法では、識別された輝度情報を適応的に抽出することができず、露光過多や露光過多を容易に引き起こすことができる。 MSATrというマルチスケールアテンション変換器を提案し,光バランスの局所的・グローバル的特徴を十分に抽出し,視覚的品質を向上させる。
  論文  参考訳（メタデータ） (2023-12-27T10:07:11Z)
• Low-Light Image Enhancement with Illumination-Aware Gamma Correction and Complete Image Modelling Network [69.96295927854042]
  低照度環境は通常、情報の少ない大規模な暗黒地帯に繋がる。 本稿では,ガンマ補正の有効性を深層ネットワークのモデリング能力と統合することを提案する。 指数関数演算は高い計算複雑性をもたらすので、Taylor Series を用いてガンマ補正を近似することを提案する。
  論文  参考訳（メタデータ） (2023-08-16T08:46:51Z)
• Degrade is Upgrade: Learning Degradation for Low-light Image Enhancement [52.49231695707198]
  2段階の工程で細部と色を精錬しながら、内在的な劣化と低照度画像を照らし出す。 カラー画像の定式化に触発されて,まず低照度入力からの劣化を推定し,環境照明色の歪みをシミュレーションし,そのコンテンツを精錬して拡散照明色の損失を回復した。 LOL1000データセットではPSNRで0.95dB、ExDarkデータセットでは3.18%のmAPでSOTAを上回った。
  論文  参考訳（メタデータ） (2021-03-19T04:00:27Z)

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。