論文の概要: Stabilizing Illumination Conditioning in SSM-Based Low-Light Image Enhancement with Bottleneck Prompt Sidecars
- arxiv url: http://arxiv.org/abs/2610.22958v1
- Date: Fri, 16 Oct 2026 05:28:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.773244
- Title: Stabilizing Illumination Conditioning in SSM-Based Low-Light Image Enhancement with Bottleneck Prompt Sidecars
- Title（参考訳）: ボトルネック・プロンプトサイドカーを用いたSSMによる低照度画像強調における照明条件の安定化
- Abstract要約: 低照度画像強調(LLIE)は輝度増幅以上のものを必要とする。
最近のSSMおよびMambaベースの復元器は、効率的な長距離モデリングを提供する。
本研究では、ボトルネック側PromptAdapterを用いて、SSMベースのLLIEの安全な照明条件について検討する。
- 参考スコア（独自算出の注目度）: 0.2041183682266167
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Low-light image enhancement (LLIE) requires more than brightness amplification because real low-light images often exhibit spatially varying illumination, amplified noise, color distortion, and local detail loss. Recent SSM- and Mamba-based restorers provide efficient long-range modeling, yet the route for introducing illumination priors into such backbones remains insufficiently studied. This study addresses safe illumination conditioning for SSM-based LLIE through a bottleneck-side PromptAdapter. A lightweight illumination estimator first predicts a single-channel illumination map, which is then converted into prompt tokens and injected through a residual sidecar adapter at the bottleneck, thereby avoiding direct modification of the state-space core. Under a locked three-seed evaluation protocol on LOL-v1, LOLv2-Real, and LOLv2-Synthetic, the PromptAdapter improves over the Base model by 0.94 dB, 1.24 dB, and 0.93 dB in PSNR, respectively, while also improving SSIM, LPIPS, and masked dark-region metrics. The clearest real-data evidence appears on LOLv2-Real. A Learned-Fixed control on LOL-v1 indicates that the present results support the utility of the sidecar conditioning pathway more strongly than a strict claim of illumination-conditioned superiority, and the LOLv2-Synthetic result remains stability-conditioned. These findings suggest that, in SSM-based LLIE, conditioning design can be as important as the conditioning signal itself.
- Abstract（参考訳）: 低照度画像強調(LLIE)は、実際の低照度画像は、空間的に異なる照明、増幅ノイズ、色歪み、局所的な詳細損失を示すため、輝度増幅以上のものを必要とする。
近年のSSMとマンバをベースとした復元装置は, 効率的な長距離モデリングを実現するが, このようなバックボーンに照明前処理を導入する方法はまだ十分に研究されていない。
本研究では、ボトルネック側PromptAdapterを用いて、SSMベースのLLIEの安全な照明条件について検討する。
軽量照明推定器は、まず、単一チャネル照明マップを予測し、これをプロンプトトークンに変換し、ボトルネック時に残留サイドカーアダプタを介して注入することにより、状態空間コアの直接修正を回避する。
LOL-v1、LOLv2-Real、LOLv2-Syntheticのロックされた3シード評価プロトコルの下で、PromptAdapterはベースモデルをPSNRで0.94dB、1.24dB、0.93dB改善し、SSIM、LPIPS、暗黒領域メトリクスも改善した。
最も明確な実データ証拠は LOLv2-Real にある。
LOL-v1のLearted-Fixedコントロールは、照明条件の厳格な優越性の主張よりも、サイドカーコンディショニングパスの有用性を強く支持し、LOLv2-シンセティック結果が安定条件のままであることを示している。
これらの結果から,SSMに基づくLLIEでは,条件信号自体と同じくらい,条件設計が重要であることが示唆された。
関連論文リスト
- Dynamic Interpolation for Training-Time Prediction Reshaping in Low-Light Image Enhancement [48.80600614869078]
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。
論文 参考訳（メタデータ） (2026-10-13T09:14:49Z) - Beyond Illumination: A Conditional Mutual Information-Guided Network for Low-Light Image Enhancement [48.364582443938296]
低照度画像強調(LLIE)は、不適切な照明条件下で撮影された画像から構造的忠実度、自然な色調、適切な露出を復元することを目指している。
近年のCIDNetのような最先端のアプローチでは、色覚分岐(HV)と強度分岐(I)で構成されたデュアルブランチアーキテクチャを採用して、HVI色空間内の分解および輝度情報を個別にモデル化している。
これらの手法は、強度と色覚成分の相互相互作用を見落とし、それらの表現能力を本質的に制限し、最適以下の拡張性能をもたらす。
論文 参考訳（メタデータ） (2026-08-03T08:27:38Z) - 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) - Towards Minimal Fine-Tuning of VLMs [59.01498204407219]
Image-LoRAは、トランスフォーマーベースの視覚言語モデルのための軽量パラメータ効率の良い微調整レシピである。
Image-LoRAは、視覚的なスパン内の注目層の値パスにのみ、低ランク適応を適用します。
トレーニング可能なパラメータが少なく、アダプタのみのトレーニング FLOP は少ないが、標準のLoRAの精度と一致または密接に対応している。
論文 参考訳（メタデータ） (2025-12-22T10:02:10Z) - RefLSM: Linearized Structural-Prior Reflectance Model for Medical Image Segmentation and Bias-Field Correction [10.716406019360441]
医用画像セグメンテーションのための新しい変動反射型レベルセットモデル(RefLSM)を提案する。
RefLSMはRetinexにインスパイアされた反射率分解をセグメンテーションフレームワークに明示的に統合する。
RefLSMは,最先端レベル設定法と比較して,セグメンテーション精度,ロバスト性,計算効率が優れていることを示す。
論文 参考訳（メタデータ） (2025-12-08T06:06:29Z) - SAIGFormer: A Spatially-Adaptive Illumination-Guided Network for Low-Light Image Enhancement [58.79901582809091]
近年, トランスフォーマーを用いた低照度化手法は, 世界照明の回復に有望な進展をもたらした。
近年, トランスフォーマーを用いた低照度化手法は, 世界照明の回復に有望な進展をもたらした。
正確な照明復元を可能にする空間適応照明誘導変圧器フレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-21T11:38:56Z) - LL-Gaussian: Low-Light Scene Reconstruction and Enhancement via Gaussian Splatting for Novel View Synthesis [17.470869402542533]
低照度シーンにおける新しいビュー合成(NVS)は、劣化した入力のために重要な課題である。
低照度sRGB画像からの3次元再構成と拡張のための新しいフレームワークであるLL-Gaussianを提案する。
最先端のNeRFベースの手法と比較して、LL-Gaussianは最大2000倍高速な推論を実現し、トレーニング時間を2%に短縮する。
論文 参考訳（メタデータ） (2025-04-14T15:39:31Z) - LUMINA-Net: Low-light Upgrade through Multi-stage Illumination and Noise Adaptation Network for Image Enhancement [26.585985828583304]
低照度画像強調(LLIE)は、低照度条件下で撮影された画像の視覚的忠実度を高めることを目的としたコンピュータビジョンにおける重要な課題である。
LUMINA-Netは,多段照明と反射モジュールを統合することで,低照度画像ペアから適応的な事前学習を行う,教師なしのディープラーニングフレームワークである。
論文 参考訳（メタデータ） (2025-02-21T03:37:58Z) - Generalizable Non-Line-of-Sight Imaging with Learnable Physical Priors [52.195637608631955]
非視線画像(NLOS)は、その潜在的な応用により注目されている。
既存のNLOS再構成アプローチは、経験的物理的前提に依存して制約される。
本稿では,Learningable Path Compensation(LPC)とAdaptive Phasor Field(APF)の2つの主要な設計を含む,学習に基づく新しいソリューションを提案する。
論文 参考訳（メタデータ） (2024-09-21T04:39:45Z) - Cycle-Interactive Generative Adversarial Network for Robust Unsupervised
Low-Light Enhancement [109.335317310485]
CIGAN(Cycle-Interactive Generative Adversarial Network)は、低照度画像間の照明分布の転送を改善できるだけでなく、詳細な信号も操作できる。
特に、提案した低照度誘導変換は、低照度GAN生成器から劣化GAN生成器へ、低照度画像の特徴をフォワードする。
論文 参考訳（メタデータ） (2022-07-03T06:37:46Z)
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。