OmniLight：あらゆる照明条件を1つのモデルで扱う

arXiv cs.CV / 2026/4/17

📰 ニュースDeveloper Stack & InfrastructureIdeas & Deep AnalysisModels & Research

共有:

要点

この論文は、落ち影や不規則な照明などの悪条件下での性能向上を目的とした、照明関連の画像復元研究を提示しています。
DINOLightを基盤にした専門特化型のALN手法と、複数データセットで学習する汎用モデル「OmniLight」を比較しています。
OmniLightは、提案するWavelet Domain Mixture-of-Experts（WD-MoE）により多様な照明ドメインへの対応力を高めています。
著者らは、照明復元においてデータ分布が専門特化型と統一型アーキテクチャの性能に与える影響を分析しています。
DINOLightベース手法とOmniLightの双方がNTIRE 2026 Challengeの3つの照明関連トラックすべてでトップ級の順位を獲得し、コードもGitHubで公開されています。

Abstract

投影された影や不規則な照明などの悪条件の照明は、可視性と色の忠実度を低下させることで、コンピュータビジョンシステムに重大な課題をもたらします。そのため、基となる画像コンテンツを復元し、知覚品質を向上させ、下流タスクで頑健な性能を実現するには、効果的な影除去とALNが重要です。しかし、画像復元の課題において、特定のベンチマークで最先端の結果を達成することが主要な目標である一方で、実世界の応用では、多様なドメインを扱える頑健なモデルが求められることが多いです。そこで本研究では、対照的な2つの戦略を検討することで、照明に関係する画像復元に関する包括的な調査を提示します。私たちは、各個別のデータセットの特性を活用するための専用ベースラインとして、ALNの頑健なフレームワークであるDINOLightを採用し、さらに、提案するWavelet Domain Mixture-of-Experts（WD-MoE）を組み込んだ汎用的な代替手法であるOmniLightへ拡張します。OmniLightは、提供されたすべてのデータセットにわたって学習されます。これら2つの手法の比較分析を通じて、照明関連の画像復元における、専門型アーキテクチャと統合型アーキテクチャの性能に対するデータ分布の影響について議論します。特に、両アプローチはいずれもNTIRE 2026 Challengeの照明関連3つのすべてのトラックでトップクラスの順位を獲得しており、優れた知覚品質と汎化能力を示しました。私たちのコードは https://github.com/OBAKSA/Lighting-Restoration で公開されています。