論文の概要: CHROMA-MILL: Joint Low-Light Enhancement and White Balance under Colored Illumination
- arxiv url: http://arxiv.org/abs/2611.04092v1
- Date: Tue, 03 Nov 2026 00:01:57 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-04 17:42:56.462503
- Title: CHROMA-MILL: Joint Low-Light Enhancement and White Balance under Colored Illumination
- Title（参考訳）: ChROMA-MILL:カラー照明下での低照度化と白色バランス
- Abstract要約: 低照度環境における画像のキャプチャは、弱くノイズの多いセンサ信号を生成する。
低照度画像強調(LLIE)は、それを復元することを目的としている。
CTI-Retinexformerは照明マップ、色度予測、照明不変シーンの埋め込みを監督する。
- 参考スコア（独自算出の注目度）: 25.346316312305024
- License:
- Abstract: Capturing an image in a low-light environment produces a weak, noisy sensor signal. Low-light image enhancement (LLIE) aims to restore it. Auto white balance (AWB) is also required for every image, and the same noisy signal degrades its ability to infer the scene illuminant. LLIE is typically performed first, followed by AWB, but this strategy remains largely unexamined because existing low-light datasets span a narrow range of illuminants and lack illuminant ground truth for evaluating AWB. We address this with CHROMA-MILL, a RAW dataset of 50 scenes captured with a DSLR and smartphone under four calibrated illuminants at eleven intensity levels. Because light is additive, we blend these captures in the linear RAW domain to synthesize physically valid illuminant mixtures with exact chromaticity ground truth. Benchmarking on this data, we find joint correction is best, and introduce CTI-Retinexformer, which supervises an illumination map, a chromaticity prediction, and an illumination-invariant scene embedding, outperforming the best cascade by 0.7 dB PSNR$_L$ and 1.1 $ΔE_{00}$.
- Abstract（参考訳）: 低照度環境における画像のキャプチャは、弱くノイズの多いセンサ信号を生成する。
低照度画像強調(LLIE)は、それを復元することを目的としている。
オートホワイトバランス (AWB) もすべての画像に必要であり、同じノイズ信号はシーンの照度を推測する能力を低下させる。
LLIEはまず最初に行われ、次にAWBが続くが、既存の低照度データセットは狭い範囲の照度にまたがっており、AWBを評価するための照度的基底真理が欠如しているため、この戦略はほとんど検討されていない。
これは、デジタル一眼レフとスマートフォンで撮影した50シーンのRAWデータセットで、11の強度で4つの校正された照度の下で処理する。
光は添加物であるため、これらの捕獲物を線形RAW領域にブレンドし、物理的に有効な発光混合物を正確な色度基底真理で合成する。
このデータをベンチマークした結果,CTI-Retinexformerは照明マップ,色度予測,照明不変シーンの埋め込みを監督し,最高のカスケードを0.7dB PSNR$_L$と1.1$ΔE_{00}$で上回った。
関連論文リスト
- When Extreme Darkness Meets Motion Blur: MeanFlow for Unified RAW Restoration [2.3881445172169085]
本稿では, 現実的な取得劣化下での高強度超低照度RAW向上のための枠組みを提案する。
我々の知る限り、これは現実的な運動劣化獲得の下で非常に低照度RAW向上を定式化した最初の試みである。
論文 参考訳（メタデータ） (2026-08-03T05:38:47Z) - Time-Aware Auto White Balance in Mobile Photography [32.74472735591053]
3,224個のスマートフォン画像のデータセットを導入し、様々な時間帯と様々な照明条件下でコンテキストメタデータを収集した。
データセットは、色チャートを用いて決定される地中照度照明色と、ユーザスタディにより検証されるユーザ優先照度を含む。
論文 参考訳（メタデータ） (2025-04-08T02:45:37Z) - 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) - Attentive Illumination Decomposition Model for Multi-Illuminant White
Balancing [27.950125640986805]
多くの商用カメラにおけるホワイトバランス(WB)アルゴリズムは、単色および均一な照明を前提としている。
スロットアテンションを利用して,各スロットが個別の照度を表すようなホワイトバランスモデルを提案する。
この設計により、モデルは個々の照度に対する色度と重量マップを生成でき、最終照明マップを構成するために融合される。
論文 参考訳（メタデータ） (2024-02-28T12:15:29Z) - Auto White-Balance Correction for Mixed-Illuminant Scenes [52.641704254001844]
オートホワイトバランス(AWB)は、シーン照明によるカラーキャストを取り除くためにカメラハードウェアによって適用される。
本稿では,この混合照明シーンに有効なAWB手法を提案する。
本手法は従来のカメラAWBモジュールと同様,照度推定を必要としない。
論文 参考訳（メタデータ） (2021-09-17T20:13:31Z) - CERL: A Unified Optimization Framework for Light Enhancement with
Realistic Noise [81.47026986488638]
現実世界で撮影された低照度画像は、センサーノイズによって必然的に破損する。
既存の光強調法は、拡張中の現実世界のノイズの重要な影響を見落としているか、ノイズ除去を別の前処理または後処理のステップとして扱うかのどちらかである。
実世界の低照度雑音画像(CERL)のコーディネート・エンハンスメントを行い,光強調部と雑音抑制部を一体化・物理接地したフレームワークにシームレスに統合する。
論文 参考訳（メタデータ） (2021-08-01T15:31:15Z) - Degrade is Upgrade: Learning Degradation for Low-light Image Enhancement [52.49231695707198]
2段階の工程で細部と色を精錬しながら、内在的な劣化と低照度画像を照らし出す。
カラー画像の定式化に触発されて,まず低照度入力からの劣化を推定し,環境照明色の歪みをシミュレーションし,そのコンテンツを精錬して拡散照明色の損失を回復した。
LOL1000データセットではPSNRで0.95dB、ExDarkデータセットでは3.18%のmAPでSOTAを上回った。
論文 参考訳（メタデータ） (2021-03-19T04:00:27Z) - Unsupervised Low-light Image Enhancement with Decoupled Networks [103.74355338972123]
我々は、実世界の低照度画像を教師なしで拡張する2段階のGANベースのフレームワークを学習する。
提案手法は,照度向上と雑音低減の両面から,最先端の教師なし画像強調法より優れる。
論文 参考訳（メタデータ） (2020-05-06T13:37:08Z)
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。