ControlLight: Auf dem Weg zu kontrollierbarer, konsistenter und verallgemeinerbarer Verbesserung bei schwachem Licht

Zusammenfassung

Bestehende auf Deep Learning basierende Methoden zur Aufhellung schwacher Beleuchtung werden typischerweise auf begrenzten Datensätzen mit einzelnen Aufhellungszielen trainiert, was ihre Generalisierungsfähigkeit und Steuerbarkeit in realen Anwendungen einschränkt. Um diese Einschränkungen zu überwinden, schlagen wir ControlLight vor – ein kontrollierbares, konsistentes und generalisierbares Framework zur Aufhellung schwacher Beleuchtung. Zunächst konstruieren wir einen großflächigen Datensatz realer minderbelichteter Bilder mit kontinuierlicher Beleuchtungsstärke-Überwachung. Um konsistente Ergebnisse bei unterschiedlichen Kontrollstärken sicherzustellen, führen wir einen fehlausrichtungsbewussten gewichteten Flow-Matching-Verlust ein, der die Bildstruktur über kontinuierliche Aufhellungsstärken hinweg bewahrt. ControlLight ermöglicht es Nutzern, reale minderbelichtete Bilder durch flexible Steuerung der Stärke hin zu zufriedenstellenden Ergebnissen zu bearbeiten, während visuelle Konsistenz und Realismus erhalten bleiben. Umfangreiche Experimente zeigen, dass ControlLight im Vergleich zu bestehenden Ansätzen zur Aufhellung schwacher Beleuchtung eine Spitzenleistung erzielt und gleichzeitig eine starke kontinuierliche Steuerbarkeit sowie Generalisierungsfähigkeit auf reale Szenarien demonstriert.

English

Existing deep learning-based low-light enhancement methods are typically trained on limited datasets with single enhancement targets, which restricts their generalization ability and controllability in real-world applications. To overcome these limitations, we propose ControlLight, a controllable, consistent, and generalizable framework for low-light enhancement. We first construct a large-scale dataset of real-world degraded images with continuous illumination-strength supervision. To further ensure consistent outputs under different control strengths, we introduce a misalignment-aware weighted flow matching loss that preserves image structure across continuous enhancement strengths. ControlLight allows users to edit real-world degraded low-light images toward satisfactory enhancement results by flexibly controlling the strength while preserving visual consistency and realism. Extensive experiments show that ControlLight achieves state-of-the-art performance against existing low-light enhancement approaches while demonstrating strong continuous controllability and generalization to real-world scenarios.