論文の概要: Dynamic Interpolation for Training-Time Prediction Reshaping in Low-Light Image Enhancement

• arxiv url: http://arxiv.org/abs/2610.18018v1
• Date: Tue, 13 Oct 2026 09:14:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 07:45:30.897455
• Title: Dynamic Interpolation for Training-Time Prediction Reshaping in Low-Light Image Enhancement
• Title（参考訳）: 低照度画像強調におけるトレーニング時間予測整形のための動的補間
• Abstract要約: 低照度画像強調法 (LLIE) は, 照明不足下での信頼性の高い視覚システムにおいて重要な画像/映像処理問題である。 既存の手法は通常、洗練されたネットワークアーキテクチャやエンジニアリングされた客観的関数に依存している。 本稿では,教師付きフィードフォワードLLIEトレーニングのためのモデル予測を適応的に再評価する動的補間訓練専用モジュール(DITM)を提案する。
• 参考スコア（独自算出の注目度）: 48.80600614869078
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-light image enhancement (LLIE) is an important image/video processing problem for reliable visual systems under poor illumination, yet it remains challenging due to the strong coupling among insufficient illumination, noise amplification, and structural degradation. Existing methods typically rely on sophisticated network architectures or engineered objective functions. While effective, the former increases model complexity and deployment burden, whereas the latter relies on empirically tuned loss weights. We revisit supervised LLIE from a training-dynamics perspective and observe that brightness-related errors tend to converge early, while residual noise and structural artifacts often remain insufficiently optimized in later stages. To address this issue, we propose a Dynamic Interpolation Training-only Module (DITM), which introduces no additional learnable parameters and adaptively reshapes the model prediction for supervised feed-forward LLIE training. Specifically, DITM employs brightness-aware interpolation, in which the model prediction is combined with a mean brightness-aligned image constructed by rescaling the model prediction according to the mean brightness of the ground-truth image. By reducing the relative dominance of global brightness discrepancy, DITM makes residual local errors more influential during backpropagation after global luminance has largely stabilized, thereby facilitating artifact suppression and fine-detail restoration in later training stages. DITM is used only during training and is fully removed at inference, introducing no additional inference cost. Extensive experiments on multiple benchmark datasets and CNN-, Transformer-, and Mamba-based LLIE backbones show that DITM consistently improves fidelity and perceptual quality while preserving the inference-time architecture and introducing no additional inference-time computation.
• Abstract（参考訳）: 低照度画像強調 (LLIE) は, 照明不足やノイズ増幅, 構造劣化の強い結合により, 信頼性の高い視覚システムにおいて重要な画像・映像処理問題である。 既存の手法は通常、洗練されたネットワークアーキテクチャやエンジニアリングされた客観的関数に依存している。 有効ではあるが、前者はモデルの複雑さとデプロイメントの負担を増大させ、後者は経験的に調整された損失重みに依存する。 我々はLLIEをトレーニング力学の観点から監督し、明るさ関連誤差が早期に収束する傾向にあるのに対して、残ノイズや構造的アーティファクトは後段の段階では不十分に最適化されることが多いことを観察した。 この問題に対処するために、動的補間訓練専用モジュール(DITM)を提案する。これは、追加の学習可能なパラメータを導入せず、教師付きフィードフォワードLLIEトレーニングのためのモデル予測を適応的に再設定する。 特に、DITMは輝度認識補間を用いて、モデル予測と、モデル予測を地上トラス画像の平均輝度に応じて再スケーリングして構築した平均輝度整列画像とを組み合わせる。 大域的な輝度差の相対的な優位性を減らすことで、DITMは、大域的な輝度が安定して以降のバックプロパゲーションにおいて、残留する局所的な誤差を増大させ、後続の訓練段階におけるアーティファクトの抑制と細部復元を容易にする。 DITMはトレーニング時にのみ使用され、推論時に完全に取り除かれ、追加の推論コストは発生しない。 複数のベンチマークデータセットとCNN-、Transformer-、およびMambaベースのLLIEバックボーンに関する大規模な実験は、DITMが推論時アーキテクチャを保存し、追加の推論時計算を導入することなく、忠実さと知覚品質を一貫して改善していることを示している。

関連論文リスト

• UBLLIE: Unified Backlight and Low-Light Image Enhancement [15.386282490743838]
  バックライトと低照度の画像は、しばしば激しい露光不均衡や地球規模の露出不足に悩まされる。 両タイプの劣化に対処する統一的で教師なしの強化フレームワークを提案する。 我々のフレームワークは、忠実さ、知覚的品質、一般化の観点から、最先端の教師あり、教師なしの手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-08-05T04:17:05Z)
• 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)
• A Convolutional Neural Deferred Shader for Physics Based Rendering [9.933770503395117]
  ニューラルレンダリングの最近の進歩は、フォトリアリスティックシェーディングとリライティングにおいて印象的な成果を上げている。 本稿では、畳み込みニューラルネットワークを用いてパラメータを減少させる物理ベースのニューラル遅延シェーディングパイプラインであるpbnds+を紹介する。
  論文  参考訳（メタデータ） (2025-12-22T16:16:13Z)
• Zero-Reference Joint Low-Light Enhancement and Deblurring via Visual Autoregressive Modeling with VLM-Derived Modulation [18.67176370944511]
  現実の暗黒画像は、視界とコントラストの低いだけでなく、複雑なノイズやぼやけも示しており、重要な修復上の課題を呈している。 視覚言語モデル(VLM)を用いた視覚自己回帰モデル(VAR)に基づく生成フレームワークを提案する。 我々のフレームワークは完全に教師なしであり、ベンチマークデータセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-11-23T19:08:45Z)
• Boosting All-in-One Image Restoration via Self-Improved Privilege Learning [72.35265021054471]
  SIPL(Self-Improved Privilege Learning)は、トレーニング以外の特権情報(PI)を推論段階に拡張することで制限を克服する新しいパラダイムである。 SIPLの中心は、学習可能なPrivleged Dictionaryを組み込んだ軽量モジュールであるProxy Fusionである。 大規模な実験により、SIPLは様々なオールインワン画像復元ベンチマークの最先端性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-05-30T04:36:52Z)
• Enhancing Low-light Light Field Images with A Deep Compensation Unfolding Network [52.77569396659629]
  本稿では,低光環境下で撮像した光場(LF)画像の復元に,DCUNet(Deep compensation network openfolding)を提案する。 このフレームワークは、中間拡張結果を使用して照明マップを推定し、展開プロセスで新しい拡張結果を生成する。 本稿では,LF画像の特徴を適切に活用するために,擬似明示的特徴相互作用モジュールを提案する。
  論文  参考訳（メタデータ） (2023-08-10T07:53:06Z)
• Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
  大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。 ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。 本稿では,物理統合復元ネットワーク(PiRN)を提案する。
  論文  参考訳（メタデータ） (2023-07-20T05:49:21Z)
• 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)

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。