ControlLight : Vers une amélioration contrôlable, cohérente et généralisable des images en faible luminosité

Résumé

Les méthodes existantes d’amélioration en faible lumière basées sur l’apprentissage profond sont généralement entraînées sur des ensembles de données limités avec des cibles d’amélioration uniques, ce qui restreint leur capacité de généralisation et leur contrôlabilité dans les applications réelles. Pour surmonter ces limitations, nous proposons ControlLight, un cadre contrôlable, cohérent et généralisable pour l’amélioration en faible lumière. Nous construisons d’abord un ensemble de données à grande échelle d’images dégradées réelles avec une supervision continue de l’intensité lumineuse. Pour garantir en outre des résultats cohérents sous différentes intensités de contrôle, nous introduisons une perte de correspondance de flux pondérée sensible au désalignement qui préserve la structure de l’image à travers des intensités d’amélioration continues. ControlLight permet aux utilisateurs d’éditer des images réelles dégradées en faible lumière vers des résultats d’amélioration satisfaisants en contrôlant flexiblement l’intensité tout en préservant la cohérence visuelle et le réalisme. Des expériences approfondies montrent que ControlLight atteint des performances de pointe par rapport aux approches existantes d’amélioration en faible lumière, tout en démontrant une forte contrôlabilité continue et une généralisation aux scénarios réels.

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.