Nuits claires à l'horizon : Vers la restauration d'images nocturnes par tous les temps

Clear Nights Ahead: Towards Multi-Weather Nighttime Image Restoration

May 22, 2025

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

cs.AI

Résumé

La restauration d'images nocturnes affectées par plusieurs conditions météorologiques défavorables constitue un problème de recherche pratique mais encore peu exploré, car ces conditions coexistent souvent dans le monde réel avec divers effets d'éclairage nocturne. Cet article explore en premier lieu la tâche complexe de restauration d'images nocturnes multi-météo, où différents types de dégradations météorologiques s'entremêlent avec des effets de flare. Pour soutenir cette recherche, nous contribuons avec le jeu de données AllWeatherNight, qui propose des images nocturnes de grande qualité à grande échelle présentant diverses dégradations compositionnelles, synthétisées grâce à notre méthode de génération de dégradations prenant en compte l'illumination. De plus, nous présentons ClearNight, un cadre unifié de restauration d'images nocturnes, qui élimine efficacement les dégradations complexes en une seule étape. Plus précisément, ClearNight extrait des priors doubles basés sur Retinex et guide explicitement le réseau pour qu'il se concentre respectivement sur les régions d'illumination inégale et les contenus texturaux intrinsèques, améliorant ainsi l'efficacité de la restauration dans les scénarios nocturnes. Afin de mieux représenter les caractéristiques communes et uniques des dégradations météorologiques multiples, nous introduisons une méthode de collaboration dynamique spécifique-commune prenant en compte la météo, qui identifie les dégradations météorologiques et sélectionne de manière adaptative les unités candidates optimales associées à des types de météo spécifiques. Notre ClearNight atteint des performances de pointe à la fois sur des images synthétiques et réelles. Des expériences d'ablation approfondies valident la nécessité du jeu de données AllWeatherNight ainsi que l'efficacité de ClearNight. Page du projet : 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