Self-DACE++：効率的な適応カーブ推定による頑健な低照度画像補正

Abstract

本論文では、低照度画像強調（LLIE）のための、改良された教師なしかつ軽量なフレームワークであるSelf-DACE++を提示します。本手法は、先行研究であるSelf-Reference Deep Adaptive Curve Estimation（Self-DACE）に基づいています。計算効率と復元品質の間にあるトレードオフにより適切に対処するために、Self-DACE++では強化されたAdaptive Adjustment Curves（AACs）を導入します。これらの曲線は、最小限の学習可能パラメータによって制御され、強調画像の色の忠実性、構造の完全性、そして自然さを保ちながら、動的レンジを柔軟に調整します。性能を損なうことなく非常に軽量なアーキテクチャを実現するために、ランダム化した順序での学習戦略と、ネットワーク融合メカニズムを組み合わせることにより、モデルを効率的な反復推論構造へと圧縮する手法を提案します。さらに、Retinex理論に基づく物理整合型の目的関数を定式化し、暗部領域に潜在するノイズを効果的に推定して抑制するための専用デノイズモジュールを組み込みます。複数の実世界ベンチマークデータセットに対する広範な定性的および定量的評価により、Self-DACE++が既存の最先端手法を上回り、リアルタイム推論を可能にしつつ、より優れた強調品質を実現することが示されます。コードは https://github.com/John-Wendell/Self-DACE で公開されています。