Noches Despejadas: Hacia la Restauración de Imágenes Nocturnas en Condiciones Meteorológicas Diversas

Clear Nights Ahead: Towards Multi-Weather Nighttime Image Restoration

May 22, 2025

Autores: Yuetong Liu, Yunqiu Xu, Yang Wei, Xiuli Bi, Bin Xiao

cs.AI

Resumen

Restaurar imágenes nocturnas afectadas por múltiples condiciones climáticas adversas es un problema de investigación práctico pero poco explorado, ya que en el mundo real estas condiciones suelen coexistir junto con diversos efectos de iluminación durante la noche. Este artículo aborda por primera vez la desafiante tarea de restauración de imágenes nocturnas con múltiples condiciones climáticas, donde diversos tipos de degradaciones climáticas se entrelazan con efectos de destello. Para apoyar la investigación, contribuimos con el conjunto de datos AllWeatherNight, que presenta imágenes nocturnas de alta calidad a gran escala con diversas degradaciones composicionales, sintetizadas utilizando nuestra generación de degradación consciente de la iluminación. Además, presentamos ClearNight, un marco unificado para la restauración de imágenes nocturnas, que elimina eficazmente degradaciones complejas de una sola vez. Específicamente, ClearNight extrae prioridades duales basadas en Retinex y guía explícitamente a la red para que se enfoque en regiones de iluminación desigual y contenidos de textura intrínseca, mejorando así la efectividad de la restauración en escenarios nocturnos. Para representar mejor las características comunes y únicas de las degradaciones climáticas múltiples, introducimos un método de colaboración dinámica específica-común consciente del clima, que identifica degradaciones climáticas y selecciona adaptativamente unidades candidatas óptimas asociadas con tipos climáticos específicos. Nuestro ClearNight logra un rendimiento de vanguardia tanto en imágenes sintéticas como del mundo real. Experimentos de ablación exhaustivos validan la necesidad del conjunto de datos AllWeatherNight, así como la efectividad de ClearNight. Página del proyecto: https://henlyta.github.io/ClearNight/mainpage.html

English

Restoring nighttime images affected by multiple adverse weather conditions is a practical yet under-explored research problem, as multiple weather conditions often coexist in the real world alongside various lighting effects at night. This paper first explores the challenging multi-weather nighttime image restoration task, where various types of weather degradations are intertwined with flare effects. To support the research, we contribute the AllWeatherNight dataset, featuring large-scale high-quality nighttime images with diverse compositional degradations, synthesized using our introduced illumination-aware degradation generation. Moreover, we present ClearNight, a unified nighttime image restoration framework, which effectively removes complex degradations in one go. Specifically, ClearNight extracts Retinex-based dual priors and explicitly guides the network to focus on uneven illumination regions and intrinsic texture contents respectively, thereby enhancing restoration effectiveness in nighttime scenarios. In order to better represent the common and unique characters of multiple weather degradations, we introduce a weather-aware dynamic specific-commonality collaboration method, which identifies weather degradations and adaptively selects optimal candidate units associated with specific weather types. Our ClearNight achieves state-of-the-art performance on both synthetic and real-world images. Comprehensive ablation experiments validate the necessity of AllWeatherNight dataset as well as the effectiveness of ClearNight. Project page: https://henlyta.github.io/ClearNight/mainpage.html