論文の概要: MESS: Multi-Exposure Sequence Synthesis for Generalizable Image Enhancement

• arxiv url: http://arxiv.org/abs/2610.24680v1
• Date: Sat, 17 Oct 2026 13:19:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-22 17:00:25.705628
• Title: MESS: Multi-Exposure Sequence Synthesis for Generalizable Image Enhancement
• Title（参考訳）: MESS: 一般化可能な画像強調のためのマルチ露光シーケンス合成
• Abstract要約: 本研究では,野生における画像強調のための現実的なトレーニングペアを合成するための新しいフレームワークを提案する。 拡散型RGB-to-MESジェネレータを訓練し、単一の8ビットRGB画像から可塑性露光シーケンスを合成する。 提案するMES合成(MESS)アプローチにより,500Kのトレーニングペアのデータセットを構築し,軽量ネットワークをトレーニングする。
• 参考スコア（独自算出の注目度）: 11.512201437588267
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the significant progress in image enhancement under adverse illuminations, such as low-light image enhancement, exposure correction, and backlit image enhancement, existing models show limited generalizability to different scenarios. A major bottleneck lies in the lack of large-scale and diverse training data, as these tasks typically rely on manually captured, precisely aligned image pairs that are expensive to scale up. Although synthetic data have been explored as an alternative, existing synthesis methods are limited in modeling complex adverse illumination conditions and camera imaging pipelines. To address this issue, we propose a novel framework to synthesize realistic training pairs for generalizable image enhancement in the wild. Specifically, we first derive multi-exposure sequences (MES) from high-bit RAW images by rendering them under different exposure settings through an emulated ISP pipeline. Using these RAW-derived MES as supervision, we train a diffusion-based RGB-to-MES generator to synthesize plausible exposure sequences from a single 8-bit RGB image, extending the synthesis pipeline from limited RAW collections to large-scale in-the-wild RGB data. For each source image, we randomly sample one synthesized exposure variant as the degraded input and use the original high-quality RGB image as the target. With the proposed MES Synthesis (MESS) approach, we construct a dataset of 500K training pairs and train a lightweight network, which demonstrates significantly better generalization performance than existing models across various image enhancement tasks. Code and data are available at https://github.com/PolyU-VCLab/MESS.
• Abstract（参考訳）: 低照度画像強調、露光補正、バックライト画像強調など、悪照明下での画像強調の顕著な進歩にもかかわらず、既存のモデルは異なるシナリオに対して限定的な一般化性を示している。 これらのタスクは、通常、手動でキャプチャされ、正確に整列されたイメージペアに依存するため、スケールアップするのにコストがかかるため、大規模で多様なトレーニングデータが欠如している。 合成データは代替として研究されているが、既存の合成法は複雑な有害照明条件とカメラ画像パイプラインのモデル化に限られている。 この問題に対処するために,本研究では,現実的なトレーニングペアを合成して,野生における一般化可能な画像強調を実現する新しいフレームワークを提案する。 具体的には、まず、エミュレートされたISPパイプラインを介して異なる露光条件下でレンダリングすることで、高ビットRAW画像からマルチ露光シーケンス(MES)を導出する。 RAW由来のMESを教師として,拡散型RGB-to-MESジェネレータをトレーニングし,単一の8ビットRGB画像から可塑性露光シーケンスを合成し,RAWコレクションから大規模RGBデータへの合成パイプラインを拡張した。 各ソース画像に対して、劣化した入力として1つの合成露光変種をランダムにサンプリングし、元の高品質なRGB画像をターゲットとして使用する。 提案したMES合成(MESS)手法により,500Kのトレーニングペアのデータセットを構築し,軽量ネットワークのトレーニングを行う。 コードとデータはhttps://github.com/PolyU-VCLab/MESSで公開されている。

関連論文リスト

• RawGen: Learning Camera Raw Image Generation [30.54177507076165]
  RawGenは、任意のターゲットカメラに対してテキスト・ツー・ロー生成を可能にする最初の拡散ベースのフレームワークである。 我々は多対一の逆ISPデータセットを構築し、多様なISPパラメータを用いて生成された同一シーンの複数のsRGBリフレクションを、共通のシーン参照ターゲットに固定する。 固定ISPを仮定する従来の逆ISP手法よりもRawGenの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2026-03-31T18:12:48Z)
• Dark-ISP: Enhancing RAW Image Processing for Low-Light Object Detection [22.292648672901066]
  低照度オブジェクト検出は、多くの現実世界のアプリケーションにとって重要であるが、画質が劣化しているため、依然として困難である。 そこで我々は,暗黒環境下で直接Baier RAW画像を処理できる,軽量で自己適応的な画像信号処理(ISP)プラグインであるDark-ISPを提案する。 提案手法は最先端のRGBおよびRAWに基づく検出手法より優れており、低照度環境への挑戦において最小限のパラメータで優れた結果が得られる。
  論文  参考訳（メタデータ） (2025-09-11T06:44:43Z)
• UNICE: Training A Universal Image Contrast Enhancer [5.592360872268223]
  既存の画像コントラスト強調法は、通常、露光下/露光補正、低照度、バックライト画像エンハンスメントなどの特定のタスクのために設計されている。 しかし、学習されたモデルは、特定のタスクの異なるデータセットでさえ、異なるタスクにわたって、低い一般化性能を示す。 提案手法,すなわちユニバーサル・コントラスト・エンハンサー (UNICE) は人為的なラベル付けが不要である。 既存の画像コントラスト拡張手法よりもはるかに強力な一般化性能を示し、また複数の非参照画像品質指標において、手動で作成したグランドトルースよりも優れていた。
  論文  参考訳（メタデータ） (2025-07-23T02:43:09Z)
• Towards Realistic Low-Light Image Enhancement via ISP Driven Data Modeling [61.95831392879045]
  深部ニューラルネットワーク(DNN)は近年,低照度画像強調(LLIE)の先導手法となっている。 大幅な進歩にもかかわらず、彼らの出力は、増幅ノイズ、誤ったホワイトバランス、または現実世界のアプリケーションに展開する際の不自然な拡張のような問題を示す可能性がある。 重要な課題は、低照度条件と撮像パイプラインの複雑さを捉える多様な大規模トレーニングデータの欠如である。 本稿では,この課題に対処し,無制限にペア化されたトレーニングデータを生成する,新しい画像信号処理(ISP)駆動型データ合成パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-04-16T15:53:53Z)
• Exposure Bracketing Is All You Need For A High-Quality Image [50.822601495422916]
  マルチ露光画像は、デノイング、デブロアリング、高ダイナミックレンジイメージング、超解像において相補的である。 本研究では,これらの課題を組み合わせ,高品質な画像を得るために露光ブラケット写真を活用することを提案する。 特に時間変調リカレントネットワーク(TMRNet)と自己教師あり適応手法を提案する。
  論文  参考訳（メタデータ） (2024-01-01T14:14:35Z)

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。