論文の概要: Unified RAW Image Exposure Correction and Restoration via Linear Illumination and Frequency-Adaptive Enhancement

• arxiv url: http://arxiv.org/abs/2610.28191v1
• Date: Tue, 20 Oct 2026 13:31:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.831124
• Title: Unified RAW Image Exposure Correction and Restoration via Linear Illumination and Frequency-Adaptive Enhancement
• Title（参考訳）: 線形照明と周波数適応強調による統一RAW画像の露光補正と復元
• Abstract要約: 本稿では,低露光画像と過露光画像の両方に対して,統一されたRAW画像露光補正・復元(RIECR)フレームワークを提案する。 RIECRは問題をRAWイメージングモデルに従う2つの結合サブプロブレムに分解する。 16種類の最先端手法に対する実験により、RIECRは実RAW露光補正における最先端性能を達成することが示された。
• 参考スコア（独自算出の注目度）: 18.106711528302807
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Incorrect exposure degrades both image brightness and recoverable scene detail. Existing sRGB-based correction methods are limited by the non-linear image signal processing pipeline, whereas RAW-based methods are usually developed for a single degradation type, such as low-light denoising or high-light recovery. In this paper, we focus on joint exposure correction and restoration directly in the RAW domain and propose a unified RAW Image Exposure Correction and Restoration (RIECR) framework for both under- and over-exposed images. RIECR decomposes the problem into two coupled sub-problems that follow the RAW imaging model: linear illumination correction and residual degradation restoration. First, a Linear Illumination Correction Network (LICN) estimates exposure-aware linear gains by using channel-specific RAW cues. It exploits the high signal-to-noise ratio of Green channels for robust brightening and the relatively unsaturated Red/Blue responses for high-light darkening. Second, a dual-branch Frequency-based Enhancement Network (FEN) restores the remaining degradation with a Frequency Dynamic Convolution (FDC) module. FDC decomposes convolutional responses into low- and high-frequency components and adaptively suppresses amplified noise or recovers clipped textures according to the exposure context. We further build a real paired RAW benchmark containing 223 scenes and 1,784 pairs covering complex multi-exposure errors. Experiments against sixteen state-of-the-art methods show that RIECR achieves state-of-the-art performance on real RAW exposure correction.
• Abstract（参考訳）: 不正確な露光は、画像の明るさと回復可能なシーンの詳細の両方を劣化させる。 既存のsRGBベースの補正手法は非線形画像信号処理パイプラインによって制限されているが、RAWベースの手法は通常、低照度復調や高照度回復のような単一劣化型のために開発されている。 本稿では,RAW領域における共同露光補正と修復に焦点をあて,低露光画像と過露光画像の両方に統一されたRAW画像露光補正・復元(RIECR)フレームワークを提案する。 RIECRは、問題をRAWイメージングモデルに従う2つの結合サブプロブレム(線形照明補正と残留劣化回復)に分解する。 第一に、線形照明補正ネットワーク(LICN)は、チャネル固有のRAWキューを用いて、露光を意識した線形利得を推定する。 グリーンチャネルの高信号対雑音比を頑健な明度に利用し、赤色/青色の相対的な不飽和反応を高明度暗度に利用した。 第2に、デュアルブランチ周波数ベースの拡張ネットワーク(FEN)は、残りの劣化を周波数動的畳み込み(FDC)モジュールで復元する。 FDCは、畳み込み応答を低周波成分と高周波成分に分解し、増幅された雑音を適応的に抑制したり、露出状況に応じてクリップされたテクスチャを回復する。 さらに、複雑なマルチ露光誤差をカバーする223のシーンと1,784のペアを含む実対RAWベンチマークを構築した。 16種類の最先端手法に対する実験により、RIECRは実RAW露光補正における最先端性能を達成することが示された。

関連論文リスト

• Retinex-RAWMamba: Bridging Demosaicing and Denoising for Low-Light RAW Image Enhancement [71.13353154514418]
  低照度画像の強化、特に生ドメインからsRGBドメインへのマッピングのようなクロスドメインタスクは、依然として大きな課題である。 RAWMambaと呼ばれる低照度RAW画像用にカスタマイズされた新しいMambaベースの手法を提案する。 低照度RAW画像の高精細化を図り、復調を施すことにより、高精細化を実現する。
  論文  参考訳（メタデータ） (2024-09-11T06:12:03Z)
• Reti-Diff: Illumination Degradation Image Restoration with Retinex-based Latent Diffusion Model [59.08821399652483]
  照明劣化画像復元(IDIR)技術は、劣化した画像の視認性を改善し、劣化した照明の悪影響を軽減することを目的としている。 これらのアルゴリズムのうち、拡散モデル(DM)に基づく手法は期待できる性能を示しているが、画像レベルの分布を予測する際に、重い計算要求や画素の不一致の問題に悩まされることが多い。 我々は、コンパクトな潜在空間内でDMを活用して、簡潔な指導先を生成することを提案し、IDIRタスクのためのReti-Diffと呼ばれる新しいソリューションを提案する。 Reti-Diff は Retinex-based Latent DM (RLDM) と Retinex-Guided Transformer (RG) の2つの鍵成分からなる。
  論文  参考訳（メタデータ） (2023-11-20T09:55:06Z)

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。