論文の概要: Adaptive Low-Light Enhancement for Road Anomaly Detection: A Multi-Architecture Benchmark and Edge Deployment Study

• arxiv url: http://arxiv.org/abs/2611.08393v1
• Date: Thu, 05 Nov 2026 18:06:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 04:55:13.611351
• Title: Adaptive Low-Light Enhancement for Road Anomaly Detection: A Multi-Architecture Benchmark and Edge Deployment Study
• Title（参考訳）: 道路異常検出のための適応型低照度化:マルチアーキテクチャベンチマークとエッジ展開研究
• Abstract要約: 自動運転車の道路異常検出システムは、劣化した視覚条件下で確実に機能する必要がある。 ダスクレベルの照明において,SCI低照度拡張ネットワークの均一適用が有効であることを示す。 本研究では,拡張性のない,中等度なSCIとデノイングと強いSCIとを区別した軽量でトレーニング不要な輝度適応ルータを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Road anomaly detection systems on autonomous vehicles must function reliably under degraded visual conditions including darkness, rain, and Harmattan dust haze. This paper benchmarks four object detection architectures, YOLOv8n, YOLOv12n, RT-DETR, and Faster R-CNN, under physically grounded lighting and weather degradation, and shows that uniform application of the SCI low-light enhancement network is actively harmful at dusk-level lighting (-16.1% to -30.7% mAP@50). We propose a lightweight, training-free luminance-adaptive router that selects between no enhancement, moderate SCI, and denoising plus strong SCI based on per-frame Rec. 601 luminance, recovering most of the dusk penalty while preserving low-light gains, and we validate the full pipeline on NVIDIA Jetson Nano edge hardware.
• Abstract（参考訳）: 自動運転車の道路異常検知システムは、暗さ、雨、ハーマタンのほこり干しなど、視界の悪化した状況下で確実に機能する必要がある。 本稿では4つの物体検出アーキテクチャ, YOLOv8n, YOLOv12n, RT-DETR, およびFaster R-CNNを物理的に接地した照明および気象劣化下でベンチマークし, ダスクレベルの照明(-16.1%～-30.7% mAP@50)においてSCI低照度拡張ネットワークの均一適用が有効であることを示す。 本研究では、フレーム単位のRecに基づく拡張性、中等度SCI、およびデノイングと強力なSCIを区別する軽量でトレーニング不要な輝度適応ルータを提案する。 601輝度,低照度ゲインを維持しながらダスクペナルティのほとんどを回復し,NVIDIA Jetson Nanoエッジハードウェア上で全パイプラインを検証した。

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)
• Bridge Damage Detection from Low-Light UAV Imagery via Degradation-Aware Mixture-of-Experts Enhancement [7.7452074807686095]
  貧弱な照明は、UAVブリッジ画像の小さな低コントラスト欠陥を曖昧にし、自動検査の信頼性と操作性を減らす。 本稿では, 劣化認識画像復元が低光環境下での橋梁損傷検出と, 合成劣化から実検現場への移動を改善できるかどうかについて検討する。 ISPを意識した低光合成パイプラインでトレーニングされた検出器非依存の復元フロントエンドであるDaL-MoEを提案する。
  論文  参考訳（メタデータ） (2026-08-24T11:42:26Z)
• LLM-Empowered Multimodal Fusion Framework for Autonomous Driving: Semantic Enhancement and Channel-Adaptive Design [56.76240343283953]
  本稿では,大規模言語モデル中心のセマンティック・レイヤ・チャネル・アウェア・インテグレート・パーセプション・フレームワークを提案する。 ローカルな視覚ストリームと、知覚盲点をカバーするために使用される品質の変化した外部レーダーストリームを融合させる。 nuScenesとVIRATの実験は、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2026-07-02T06:44:02Z)
• AdaFuse-Det: Adaptive Cross-Modal Fusion of Event Cameras for Robust Object Detection in Low-Light RGB Imagery [2.804640719143954]
  本稿では、CLAHE強化RGBフレームとボキセル化イベントテンソルを融合したデュアルストリームフレームワークであるAdaFuse-Detを紹介する。 LLE-VOSベンチマークでは、AdaFuse-Detのリコールは65.54%、精度は53.85%、F1-Scoreは59.12%である。
  論文  参考訳（メタデータ） (2026-05-23T18:01:48Z)
• You Sense Only Once Beneath: Ultra-Light Real-Time Underwater Object Detection [2.5249064981269296]
  超軽量リアルタイム水中物体検出フレームワークYSOOB(You Sense Only Beneath)を提案する。 具体的には、マルチスペクトルウェーブレット(MSWE)を用いて入力画像の周波数領域符号化を行い、水中光色歪みによる意味損失を最小限に抑える。 また、単純で効果的なチャネル圧縮によりモデル冗長性を排除し、モデル軽量化のために大カーネル畳み込み(RLKC)を再構築する。
  論文  参考訳（メタデータ） (2025-04-22T08:26:35Z)
• Bringing RGB and IR Together: Hierarchical Multi-Modal Enhancement for Robust Transmission Line Detection [67.02804741856512]
  高速かつ高精度なTL検出のために,RGBとIRデータを統合したHMMEN(Hierarchical Multi-Modal Enhancement Network)を提案する。 提案手法では,(1)階層的RGBおよびIR特徴写像を大まかに融合・拡張するMMEB,(2)デコーダ出力とIR特徴写像の不整合を変形可能な畳み込みを利用して補正するFAB,の2つの重要な構成要素を紹介する。
  論文  参考訳（メタデータ） (2025-01-25T06:21:06Z)
• A Lightweight Low-Light Image Enhancement Network via Channel Prior and Gamma Correction [0.0]
  LLIE(ローライト・イメージ・エンハンスメント)とは、低照度シーンの処理に適した画像エンハンスメント技術である。 我々は,暗/明のチャネル先行と深層学習によるガンマ補正を組み合わせた,革新的なLLIEネットワークであるCPGA-Netを紹介する。
  論文  参考訳（メタデータ） (2024-02-28T08:18:20Z)
• High-Throughput, High-Performance Deep Learning-Driven Light Guide Plate Surface Visual Quality Inspection Tailored for Real-World Manufacturing Environments [75.66288398180525]
  光導光板は、医療用照明器具からバックライトテレビディスプレイまで幅広い用途で広く利用されている光学部品である。 本研究では,光ガイド板表面の視覚的品質検査(VQI)を現実の製造環境に適した,完全に統合された,高性能なディープラーニング駆動ワークフローを提案する。 完全統合VQIシステム内のエッジコンピューティング上でのVQIの自動化を実現するため、高コンパクトな深層アンチエイリアス型アテンションコンデンサニューラルネットワーク(LightDefectNetと呼ぶ)が開発された。 LightDetectNetが検出精度を実現する実験
  論文  参考訳（メタデータ） (2022-12-20T20:11:11Z)
• Low-Light Hyperspectral Image Enhancement [90.84144276935464]
  本研究は,暗黒領域に隠された空間スペクトル情報を明らかにすることを目的とした,低照度HSI強調タスクに焦点を当てた。 ラプラシアのピラミッドの分解と再構成に基づいて, エンド・ツー・エンドのデータ駆動型低照度HSIエンハンスメント(HSIE)手法を開発した。 定量的評価と視覚効果の両面でのHSIEの有効性と効果を実証した。
  論文  参考訳（メタデータ） (2022-08-05T08:45:52Z)
• LightDefectNet: A Highly Compact Deep Anti-Aliased Attention Condenser Neural Network Architecture for Light Guide Plate Surface Defect Detection [71.40595908386477]
  ライトガイドプレートの製造において重要なステップは、傷、明るい暗黒点、不純物などの欠陥の検査である。 ディープラーニング駆動型コンピュータビジョンの進歩は、ライトガイドプレートの自動視覚品質検査の探索につながった。 LightDetectNetは、光ガイド板表面欠陥検出に特化して設計された、高度にコンパクトなディープアンチエイリアス化されたアテンションコンデンサニューラルネットワークアーキテクチャである。
  論文  参考訳（メタデータ） (2022-04-25T16:33:37Z)

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。