概要: この手紙は、低照度画像強化オートエンコーダの学習のための新規の訓練手法と損失関数を提案する。
私たちのアプローチは、教員-生徒型オートエンコーダの設定と、クリーンな画像デコーダの特徴マップから得られるマルチスケール情報を、生徒デコーダの各層へ鏡像の形で蒸留する漸進的学習アプローチを組み合わせたものであり、Illumination-Aware Mirror Loss (IAML) と呼ばれる新たな損失関数を用います。
IAMLは、入力画像内の照明変動の影響を考慮しつつ、生徒デコーダネットワーク内の特徴マップを教員側由来のクリーンな特徴マップと整合させるのを助けます。
提案手法を3つの人気のある低照度画像強化データセットで広範にベンチマークしたところ、平均SSIM、PSNR、LPIPS再構成精度指標の点で、我々のモデルは最先端の性能を達成することを示しています。
最後に、IAMLが画像再構成精度に及ぼす影響を明確に示すアブレーション研究が実施されます。
IAML: 照明を考慮した鏡像損失を用いた低照度画像強化オートエンコーダの段階的学習
arXiv cs.CV / 2026/3/17
📰 ニュースModels & Research
要点
- 本論文は、教師-学生オートエンコーダ設定と段階的学習を用いて、鏡像的な方式で多スケールのクリーン特徴マップを学生デコーダへ蒸留する新規の損失関数、照明を考慮した鏡像損失（IAML）を提案します。
- IAML は照明の変動を明示的に考慮し、学生デコーダの特徴をクリーンな教師特徴と整合させるとともに、照明効果を緩和します。
- 著者らは、3つの標準的な低照度画像強化データセットでベンチマークを行い、平均 SSIM、PSNR、LPIPS の再構成指標において最先端の性能を報告しています。
- IAML が画像再構成精度に与える影響を分離するアブレーション研究が実施され、その寄与が示されています。
