ControlLight: Hacia una Mejora de Baja Iluminación Controlable, Consistente y Generalizable

Resumen

Los métodos existentes de mejora de baja iluminación basados en aprendizaje profundo suelen entrenarse en conjuntos de datos limitados con objetivos de mejora únicos, lo que restringe su capacidad de generalización y controlabilidad en aplicaciones del mundo real. Para superar estas limitaciones, proponemos ControlLight, un marco controlable, consistente y generalizable para la mejora de baja iluminación. Primero construimos un conjunto de datos a gran escala de imágenes degradadas del mundo real con supervisión continua de intensidad de iluminación. Para garantizar aún más resultados consistentes bajo diferentes intensidades de control, introducimos una función de pérdida de coincidencia de flujo ponderada y consciente de desalineación que preserva la estructura de la imagen a lo largo de intensidades de mejora continuas. ControlLight permite a los usuarios editar imágenes reales degradadas con baja iluminación hacia resultados de mejora satisfactorios controlando de forma flexible la intensidad, mientras se preserva la consistencia visual y el realismo. Amplios experimentos demuestran que ControlLight alcanza un rendimiento de vanguardia frente a los métodos existentes de mejora de baja iluminación, mostrando además una fuerte controlabilidad continua y generalización a escenarios del mundo real.

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.