Zu zweit: Ein Duett aus Periodizität und Direktionalität zur Entfernung von Flimmerartefakten

It Takes Two: A Duet of Periodicity and Directionality for Burst Flicker Removal

March 24, 2026

Autoren: Lishen Qu, Shihao Zhou, Jie Liang, Hui Zeng, Lei Zhang, Jufeng Yang

cs.AI

Zusammenfassung

Flackerartefakte, die durch instabile Beleuchtung und zeilenweise Belichtungsinkonsistenzen entstehen, stellen eine erhebliche Herausforderung in der Kurzzeitbelichtungsfotografie dar und verschlechtern die Bildqualität erheblich. Im Gegensatz zu typischen Artefakten, wie z.B. Rauschen oder Aufnahmen bei schwachem Licht, handelt es sich bei Flackern um eine strukturierte Verschlechterung mit spezifischen raumzeitlichen Mustern, die in aktuellen allgemeinen Restaurierungsframeworks nicht berücksichtigt werden, was zu suboptimaler Flackerunterdrückung und Geisterartefakten führt. In dieser Arbeit zeigen wir auf, dass Flackerartefakte zwei intrinsische Eigenschaften aufweisen, Periodizität und Direktionalität, und schlagen Flickerformer vor, eine transformerbasierte Architektur, die Flackereffekte effektiv entfernt, ohne Geisterartefakte einzuführen. Konkret besteht Flickerformer aus drei Schlüsselkomponenten: einem phasenbasierten Fusionsmodul (PFM), einem Autokorrelations-Feed-Forward-Netzwerk (AFFN) und einem waveletbasierten directionalen Aufmerksamkeitsmodul (WDAM). Basierend auf der Periodizität führt das PFM eine Phasenkorrelation zwischen Bildern durch, um Burst-Merkmale adaptiv zu aggregieren, während das AFFN strukturelle Regelmäßigkeiten innerhalb eines Bildes durch Autokorrelation nutzt, was gemeinsam die Fähigkeit des Netzwerks verbessert, räumlich wiederkehrende Muster zu erfassen. Darüber hinaus nutzt das WDAM, motiviert durch die Direktionalität der Flackerartefakte, Hochfrequenzvariationen im Wavelet-Bereich, um die Restaurierung niederfrequenter dunkler Bereiche zu steuern, was eine präzise Lokalisierung der Flackerartefakte ermöglicht. Umfangreiche Experimente belegen, dass Flickerformer state-of-the-art Ansätze sowohl in quantitativen Metriken als auch in der visuellen Qualität übertrifft. Der Quellcode ist unter https://github.com/qulishen/Flickerformer verfügbar.

English

Flicker artifacts, arising from unstable illumination and row-wise exposure inconsistencies, pose a significant challenge in short-exposure photography, severely degrading image quality. Unlike typical artifacts, e.g., noise and low-light, flicker is a structured degradation with specific spatial-temporal patterns, which are not accounted for in current generic restoration frameworks, leading to suboptimal flicker suppression and ghosting artifacts. In this work, we reveal that flicker artifacts exhibit two intrinsic characteristics, periodicity and directionality, and propose Flickerformer, a transformer-based architecture that effectively removes flicker without introducing ghosting. Specifically, Flickerformer comprises three key components: a phase-based fusion module (PFM), an autocorrelation feed-forward network (AFFN), and a wavelet-based directional attention module (WDAM). Based on the periodicity, PFM performs inter-frame phase correlation to adaptively aggregate burst features, while AFFN exploits intra-frame structural regularities through autocorrelation, jointly enhancing the network's ability to perceive spatially recurring patterns. Moreover, motivated by the directionality of flicker artifacts, WDAM leverages high-frequency variations in the wavelet domain to guide the restoration of low-frequency dark regions, yielding precise localization of flicker artifacts. Extensive experiments demonstrate that Flickerformer outperforms state-of-the-art approaches in both quantitative metrics and visual quality. The source code is available at https://github.com/qulishen/Flickerformer.