Dos son necesarios: un dúo de periodicidad y direccionalidad para la eliminación del parpadeo en ráfagas.

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

March 24, 2026

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

cs.AI

Resumen

Los artefactos de parpadeo, que surgen de una iluminación inestable e inconsistencias en la exposición fila por fila, representan un desafío significativo en la fotografía de exposición corta, degradando gravemente la calidad de la imagen. A diferencia de artefactos típicos, como el ruido o la baja luminosidad, el parpadeo es una degradación estructurada con patrones espacio-temporales específicos, que no son considerados en los marcos de restauración genéricos actuales, lo que conduce a una supresión subóptima del parpadeo y a artefactos de fantasmas. En este trabajo, revelamos que los artefactos de parpadeo exhiben dos características intrínsecas, periodicidad y direccionalidad, y proponemos Flickerformer, una arquitectura basada en transformers que elimina eficazmente el parpadeo sin introducir fantasmas. Específicamente, Flickerformer comprende tres componentes clave: un módulo de fusión basado en fase (PFM), una red de alimentación directa por autocorrelación (AFFN) y un módulo de atención direccional basado en wavelets (WDAM). Basándose en la periodicidad, el PFM realiza una correlación de fase entre frames para agregar adaptativamente características de una ráfaga de imágenes, mientras que el AFFN explota regularidades estructurales intra-frame mediante autocorrelación, mejorando conjuntamente la capacidad de la red para percibir patrones espaciales recurrentes. Además, motivado por la direccionalidad de los artefactos de parpadeo, el WDAM aprovecha las variaciones de alta frecuencia en el dominio wavelet para guiar la restauración de las regiones oscuras de baja frecuencia, produciendo una localización precisa de los artefactos de parpadeo. Experimentos exhaustivos demuestran que Flickerformer supera a los enfoques más avanzados tanto en métricas cuantitativas como en calidad visual. El código fuente está disponible en https://github.com/qulishen/Flickerformer.

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.