論文の概要: GLOW-FM: Efficient Generative Low-Light Image Enhancement with One-Step Latent Flow Matching

• arxiv url: http://arxiv.org/abs/2610.31222v1
• Date: Thu, 22 Oct 2026 13:08:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.382003
• Title: GLOW-FM: Efficient Generative Low-Light Image Enhancement with One-Step Latent Flow Matching
• Title（参考訳）: GLOW-FM: ワンステップラテントフローマッチングによる高効率生成低光画像強調
• Abstract要約: 低照度画像強調は、劣化した観察から、よく露光され、知覚的に忠実なイメージを回復することを目的としている。 GLOW-FMは効率的な生成LLIEのための1ステップの遅延フローマッチングフレームワークである。 挑戦的な実世界のベンチマーク実験により、GLOW-FMは競合画像の品質と最先端のクロスデータセットの一般化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）: 9.884557285668858
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Low-light image enhancement (LLIE) aims to recover well-exposed and perceptually faithful images from severely degraded observations. Recent diffusion-based generative methods achieve strong perceptual quality by leveraging powerful image priors, but their iterative sampling incurs substantial computational cost, limiting practical deployment. Despite recent efficiency gains in generative LLIE, high-quality enhancement with a single function evaluation and low overall computation remains challenging, particularly under diverse real-world low-light conditions. We introduce GLOW-FM, a one-step latent flow-matching framework for efficient generative LLIE. GLOW-FM performs conditional transport in the latent space of a frozen Tiny-VAE and leverages Terminal Velocity Matching (TVM) to enable enhancement with a single function evaluation. Matched comparisons with alternative one-step objectives support TVM as an effective design choice, and, to the best of our knowledge, this is its first adaptation to image restoration and specifically to LLIE. Extensive experiments on challenging real-world benchmarks demonstrate that GLOW-FM achieves competitive image quality and state-of-the-art cross-dataset generalization while requiring only a single function evaluation and 34 GFLOPs for the small variant. These findings highlight the potential of GLOW-FM to bring generative LLIE closer to practical deployment through single-step inference and compact latent modeling. Code will be made publicly available upon publication.
• Abstract（参考訳）: 低照度画像強調(LLIE)は、高度に劣化した観察から、よく露光され、知覚的に忠実なイメージを回復することを目的としている。 近年の拡散型生成法は, 強力な画像先行情報を活用することで高い知覚品質を実現するが, その反復サンプリングは計算コストを著しく低減し, 実用的展開を制限している。 近年のLLIEの効率向上にもかかわらず、特に現実世界の低照度条件下では、単一関数評価と低全体的な計算による高品質な向上が困難である。 本稿では,効率的なジェネレーションLLIEのための1ステップの遅延フローマッチングフレームワークであるGLOW-FMを紹介する。 GLOW-FMは冷凍Tiny-VAEの潜伏空間で条件付き輸送を行い、終端速度マッチング(TVM)を利用して単一関数評価による拡張を実現する。 代替のワンステップ目標とのマッチング比較は、TVMを効果的な設計選択としてサポートし、私たちの知る限り、これは画像復元、特にLLIEへの初めての適応である。 GLOW-FMは1つの関数評価と34のGFLOPしか必要とせず、競合画像の品質と最先端のクロスデータセットの一般化を実現する。 これらの知見は,GLOW-FMが単一ステップの推論とコンパクトな潜伏モデルにより,ジェネレーションLLIEを実用的展開に近づける可能性を示している。 コードは公開時に公開される。

関連論文リスト

• Tuning Real-World Image Restoration at Inference: A Test-Time Scaling Paradigm for Flow Matching Models [26.002982722748726]
  ResFlow-Tunerは、最先端のフローマッチングモデルであるFLUX.1-devに基づく画像復元フレームワークである。 画像復元に適したトレーニング不要なテスト時間スケーリングパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-03-23T14:33:43Z)
• SGDFuse: SAM-Guided Diffusion for High-Fidelity Infrared and Visible Image Fusion [65.80051636480836]
  本稿では,Segment Anything Model(SAM)によって導かれる条件拡散モデルを提案する。 このフレームワークは2段階のプロセスで動作し、まずマルチモーダルな特徴の予備的な融合を行い、その後、拡散モデルの粗大な分極生成を駆動する条件としてセマンティックマスクを利用する。 SGDFuseは主観的評価と客観的評価の両方において最先端の性能を発揮することを示す。
  論文  参考訳（メタデータ） (2025-08-07T10:58:52Z)
• Supercharged One-step Text-to-Image Diffusion Models with Negative Prompts [19.609393551644562]
  負のプロンプトを1段階拡散モデルに統合する効率的な方法である textbfNegative-textbfAway textbfSteer textbfAttention (NASA) を導入する。 NASAは、望ましくない視覚特性を抑えるためにクロスアテンション機構を活用することで、中間表現空間内で運用している。
  論文  参考訳（メタデータ） (2024-12-03T18:56:32Z)
• Zero-Reference Lighting Estimation Diffusion Model for Low-Light Image Enhancement [2.9873893715462185]
  ゼロLEDと呼ばれる低照度画像強調のための新しいゼロ参照光推定拡散モデルを提案する。 拡散モデルの安定収束能力を利用して、低照度領域と実常照度領域の間のギャップを埋める。 ゼロ参照学習を通じてペアのトレーニングデータへの依存を緩和する。
  論文  参考訳（メタデータ） (2024-03-05T11:39:17Z)
• LDM-ISP: Enhancing Neural ISP for Low Light with Latent Diffusion Models [54.93010869546011]
  本稿では,事前学習した潜伏拡散モデルを用いて,超低照度画像の高精細化のためのニューラルISPを実現することを提案する。 具体的には、RAWドメイン上で動作するために事前訓練された潜在拡散モデルを調整するために、軽量なテーミングモジュールのセットをトレーニングする。 遅延拡散モデルにおけるUNet復調と復号化の異なる役割を観察し、低照度画像強調タスクを遅延空間低周波コンテンツ生成と復号位相高周波ディテール保守に分解するきっかけとなる。
  論文  参考訳（メタデータ） (2023-12-02T04:31:51Z)
• Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
  拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。 本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
  論文  参考訳（メタデータ） (2023-06-01T03:08:28Z)
• 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。