Notti limpide in vista: verso il ripristino di immagini notturne in condizioni meteorologiche variabili

Clear Nights Ahead: Towards Multi-Weather Nighttime Image Restoration

May 22, 2025

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

cs.AI

Abstract

Il ripristino delle immagini notturne affette da molteplici condizioni meteorologiche avverse è un problema di ricerca pratico ma ancora poco esplorato, poiché spesso diverse condizioni meteorologiche coesistono nel mondo reale insieme a vari effetti di illuminazione notturna. Questo articolo esplora per la prima volta il complesso compito di ripristino delle immagini notturne in presenza di molteplici condizioni meteorologiche, in cui vari tipi di degradazioni meteorologiche si intrecciano con effetti di flare. Per supportare la ricerca, contribuiamo con il dataset AllWeatherNight, che presenta immagini notturne di alta qualità su larga scala con diverse degradazioni compositive, sintetizzate utilizzando la nostra generazione di degradazione consapevole dell'illuminazione. Inoltre, presentiamo ClearNight, un framework unificato per il ripristino delle immagini notturne, che rimuove efficacemente le degradazioni complesse in un'unica soluzione. Nello specifico, ClearNight estrae priorità duali basate su Retinex e guida esplicitamente la rete a concentrarsi rispettivamente sulle regioni con illuminazione irregolare e sui contenuti intrinseci della texture, migliorando così l'efficacia del ripristino negli scenari notturni. Per rappresentare meglio le caratteristiche comuni e uniche delle molteplici degradazioni meteorologiche, introduciamo un metodo di collaborazione dinamica specifica-comune consapevole delle condizioni meteorologiche, che identifica le degradazioni meteorologiche e seleziona in modo adattivo le unità candidate ottimali associate a specifici tipi di condizioni meteorologiche. Il nostro ClearNight raggiunge prestazioni all'avanguardia sia su immagini sintetiche che su immagini del mondo reale. Esperimenti di ablazione completi convalidano la necessità del dataset AllWeatherNight nonché l'efficacia di ClearNight. Pagina del progetto: 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