論文の概要: MirrorDistill: Illumination-Aware Latent Distillation for Efficient Low-Light Restoration
- arxiv url: http://arxiv.org/abs/2609.25331v1
- Date: Mon, 21 Sep 2026 19:20:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 18:04:04.089652
- Title: MirrorDistill: Illumination-Aware Latent Distillation for Efficient Low-Light Restoration
- Title（参考訳）: ミラー蒸留 : 照明を意識した低照度回復のための潜水蒸留
- Abstract要約: 低照度画像強調(LLIE)は、劣化した照明下で動作している視覚センシングシステムのイムポータントコンポーネントである。
MirrorDistillは照明を意識した潜在蒸留フレームワークで、低照度領域とクリーンドメインを繋いでいる。
MirrorDistill は実捕獲された LOL-v2-Real 集合上で最先端の手法より優れている。
- 参考スコア（独自算出の注目度）: 2.2821410930088217
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Low-light image enhancement (LLIE) is an im- portant component of visual sensing systems operating under degraded illumination, including nighttime surveillance, au- tonomous navigation, remote sensing, and inspection in poorly lit industrial environments. Most LLIE methods rely on output- level reconstruction losses that supervise only the final restored image, leaving the intermediate feature recovery process weakly constrained. This paper proposes MirrorDistill, an illumination- aware latent distillation framework that links the low-light and clean domains through feature mirroring. During training, a shared encoder and an exponential-moving-average teacher decoder process the clean reference image to generate clean- domain latent targets. These targets supervise the low-light student at two levels: raw encoder features and standardized multi-scale decoder projections. The alignment is applied layer by layer, while a proposed illumination-aware weighting scheme gives greater emphasis to underexposed regions. The teacher and reference branches are used only during training, so inference requires only the lightweight student encoder-decoder and in- troduces no teacher-side computational cost. Under evaluation on the standard LOL benchmarks, MirrorDistill outperforms the state-of-the-art methods on the real-captured LOL-v2-Real set, while having the lowest compute complexity (GMACs) and while remaining competitive on the LOL-v1 and LOL-v2-Synthetic datasets. Ablation studies further show the contributions of the encoder mirror, decoder mirror, and illumination-aware weighting. Finally, we release our code as open-source for the benefit of future research.
- Abstract（参考訳）: 低照度画像強調(LLIE)は、夜間監視、Au-Tonomous Navigation、リモートセンシング、低照度産業環境における検査を含む、劣化した照明の下で動作している視覚センシングシステムの即時的な構成要素である。
ほとんどのLLIE法は、最終的な復元画像のみを監督する出力レベルの復元損失に依存しており、中間的特徴回復プロセスは弱い制約を残している。
本稿では,低照度領域とクリーン領域を特徴ミラーリングによりリンクする照明対応潜在蒸留フレームワークであるMirrorDistillを提案する。
トレーニング中、共有エンコーダと指数移動平均教師デコーダがクリーン参照画像を処理してクリーンドメイン潜在目標を生成する。
これらのターゲットは、生のエンコーダ機能と標準化されたマルチスケールデコーダプロジェクションの2つのレベルにおいて、低照度学生を監督する。
このアライメントは層単位で印加されるが、提案された照明対応重み付け方式は、露光の少ない領域に重点を置いている。
教師と参照ブランチはトレーニング時にのみ使用されるため、推論は軽量の生徒エンコーダデコーダのみを必要とするため、教師側の計算コストは発生しない。
標準的な LOL ベンチマークの評価では、MirrorDistill は LOL-v1 と LOL-v2-Synthetic データセットの競争力を維持しつつも、LOL-v2-Real セットの最先端の手法よりも優れていた。
アブレーション研究は、エンコーダミラー、デコーダミラー、照明対応重み付けの貢献をさらに示している。
最後に、将来の研究の利益のために、私たちのコードをオープンソースとしてリリースします。
関連論文リスト
- Dual-Path Learning based on Frequency Structural Decoupling and Regional-Aware Fusion for Low-Light Image Super-Resolution [15.557346345104307]
低照度画像超解像(LLISR)は、照明条件が不十分な場合の視覚的細部と知覚的品質の回復に不可欠である。
本稿では、輝度とテクスチャを意味的に独立したコンポーネントに分離する新しい周波数認識フレームワークであるDecoupling then Perceive (DTP)を提案する。
最も広く使われているLLISRベンチマークの実験は、我々のDTPフレームワークの優位性を実証している。
論文 参考訳（メタデータ） (2026-03-28T15:15:08Z) - IAML: Illumination-Aware Mirror Loss for Progressive Learning in Low-Light Image Enhancement Auto-encoders [0.6710873404697387]
本稿では,低照度画像強調オートエンコーダの学習のための新しいトレーニング手法と損失関数を提案する。
本手法は,プログレッシブ・ラーニング・アプローチと合わせて,教師が学習するオートエンコーダ・セットアップの利用を中心に展開する。
提案モデルでは,SSIM,PSNR,LPIPSの再現精度の平均値を用いて,最先端性能を実現する。
論文 参考訳（メタデータ） (2026-03-09T10:48:55Z) - Denoising of Two-Phase Optically Sectioned Structured Illumination Reconstructions Using Encoder-Decoder Networks [13.72081933421932]
二相光切断SI(OS-SI)では、取得時間が短縮され、従来の除雪が抑制に苦しむ残留アーティファクトが導入された。
ディープラーニングは従来の手法に代わる手段を提供するが、教師付きトレーニングは、クリーンで光学的に区切られた地上データがないために制限される。
2相OS-SIにおけるアーティファクト削減のためのエンコーダデコーダネットワークについて,実アーティファクトフィールドを合成画像に適用した合成トレーニングペアを用いて検討した。
論文 参考訳（メタデータ） (2025-10-03T19:19:42Z) - Low-Light Enhancement via Encoder-Decoder Network with Illumination Guidance [0.0]
本稿では,低照度画像強調のための新しいディープラーニングフレームワーク,Theを紹介する。
Illumination Guidance (EDNIG) を用いたデコーダネットワーク
EDNIGはBright Channel Prior (BCP)から派生した照明マップをガイダンス入力として統合する。
合成損失関数を用いてGAN(Generative Adversarial Network)フレームワーク内で最適化され、対向損失、画素単位の平均二乗誤差(MSE)、知覚損失を組み合わせた。
論文 参考訳（メタデータ） (2025-07-04T09:35:00Z) - 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) - GLARE: Low Light Image Enhancement via Generative Latent Feature based Codebook Retrieval [80.96706764868898]
我々は、GLARE(Generative LAtent Feature based codebook Retrieval)を介して、新しい低照度画像強調(LLIE)ネットワークを提案する。
Invertible Latent Normalizing Flow (I-LNF) モジュールを開発し、LL特徴分布をNL潜在表現に整合させ、コードブック内の正しいコード検索を保証する。
さまざまなベンチマークデータセットと実世界のデータに対するGLAREの優れたパフォーマンスを確認する実験。
論文 参考訳（メタデータ） (2024-07-17T09:40:15Z) - Ultra-High-Definition Low-Light Image Enhancement: A Benchmark and
Transformer-Based Method [51.30748775681917]
低照度画像強調(LLIE)の課題を考察し,4K解像度と8K解像度の画像からなる大規模データベースを導入する。
我々は、系統的なベンチマーク研究を行い、現在のLLIEアルゴリズムと比較する。
第2のコントリビューションとして,変換器をベースとした低照度化手法であるLLFormerを紹介する。
論文 参考訳（メタデータ） (2022-12-22T09:05:07Z) - Toward Fast, Flexible, and Robust Low-Light Image Enhancement [87.27326390675155]
我々は、現実の低照度シナリオにおいて、高速でフレキシブルで頑健な鮮明化のための新しい自己校正イルミネーション(SCI)学習フレームワークを開発した。
カスケードパターンの計算負担を考慮すると、各ステージの結果の収束を実現する自己校正モジュールを構築する。
我々は,SCI固有の特性について,操作不感適応性やモデル非関係の一般性を含む包括的探索を行う。
論文 参考訳（メタデータ） (2022-04-21T14:40:32Z) - Learning Deep Context-Sensitive Decomposition for Low-Light Image
Enhancement [58.72667941107544]
典型的なフレームワークは、照明と反射を同時に推定することであるが、特徴空間にカプセル化されたシーンレベルの文脈情報を無視する。
本研究では,空間スケールにおけるシーンレベルのコンテキスト依存を生かした,コンテキスト依存型分解ネットワークアーキテクチャを提案する。
チャネル数を減らして軽量なCSDNet(LiteCSDNet)を開発する。
論文 参考訳（メタデータ） (2021-12-09T06:25:30Z) - Two-Stage Single Image Reflection Removal with Reflection-Aware Guidance [78.34235841168031]
シングルイメージリフレクション除去(SIRR)のためのリフレクション・アウェア・ガイダンス(RAGNet)を用いた新しい2段階ネットワークを提案する。
RAGは、(i)観測からの反射の効果を緩和するために、(ii)線形結合仮説から逸脱する効果を緩和するための部分畳み込みにおいてマスクを生成するために用いられる。
5つの一般的なデータセットの実験は、最先端のSIRR法と比較して、RAGNetの量的および質的な優位性を実証している。
論文 参考訳（メタデータ） (2020-12-02T03:14:57Z)
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。