二人三脚：周期性と方向性のデュエットによるバーストフリッカー除去

It Takes Two: A Duet of Periodicity and Directionality for Burst Flicker Removal

March 24, 2026

著者: Lishen Qu, Shihao Zhou, Jie Liang, Hui Zeng, Lei Zhang, Jufeng Yang

cs.AI

要旨

フリッカーアーティファクトは、照明の不安定性および行単位の露光ばらつきに起因する構造的な画質劣化であり、短時間露光写真において画像品質を著しく損なう重大な課題である。ノイズや低照度などの一般的なアーティファクトとは異なり、フリッカーは特定の時空間パターンを有する構造的劣化であり、既存の汎用復元フレームワークではこれが考慮されていないため、フリッカー抑制が不十分になったりゴーストアーティファクトが生じたりする。本研究では、フリッカーアーティファクトが周期性と方向性という二つの本質的特徴を有することを明らかにし、ゴーストアーティファクトを導入することなくフリッカーを効果的に除去するトランスフォーマー基盤のアーキテクチャ「Flickerformer」を提案する。具体的には、Flickerformerは位相ベース融合モジュール（PFM）、自己相関フィードフォワードネットワーク（AFFN）、ウェーブレット基盤方向性注意モジュール（WDAM）の三つの主要コンポーネントで構成される。周期性に基づき、PFMはフレーム間位相相関によりバースト特徴を適応的に集約し、AFFNは自己相関を通じてフレーム内構造的規則性を活用し、空間的に反復するパターンを認識するネットワークの能力を共同で強化する。さらに、フリッカーアーティファクトの方向性に着想を得たWDAMは、ウェーブレット領域における高周波変動を利用して低周波の暗部領域の復元を導くことで、フリッカーアーティファクトの精密な位置特定を実現する。大規模な実験により、Flickerformerが定量的指標と視覚的品質の両面において既存の最先端手法を凌駕することを示す。ソースコードはhttps://github.com/qulishen/Flickerformer で公開されている。

English

Flicker artifacts, arising from unstable illumination and row-wise exposure inconsistencies, pose a significant challenge in short-exposure photography, severely degrading image quality. Unlike typical artifacts, e.g., noise and low-light, flicker is a structured degradation with specific spatial-temporal patterns, which are not accounted for in current generic restoration frameworks, leading to suboptimal flicker suppression and ghosting artifacts. In this work, we reveal that flicker artifacts exhibit two intrinsic characteristics, periodicity and directionality, and propose Flickerformer, a transformer-based architecture that effectively removes flicker without introducing ghosting. Specifically, Flickerformer comprises three key components: a phase-based fusion module (PFM), an autocorrelation feed-forward network (AFFN), and a wavelet-based directional attention module (WDAM). Based on the periodicity, PFM performs inter-frame phase correlation to adaptively aggregate burst features, while AFFN exploits intra-frame structural regularities through autocorrelation, jointly enhancing the network's ability to perceive spatially recurring patterns. Moreover, motivated by the directionality of flicker artifacts, WDAM leverages high-frequency variations in the wavelet domain to guide the restoration of low-frequency dark regions, yielding precise localization of flicker artifacts. Extensive experiments demonstrate that Flickerformer outperforms state-of-the-art approaches in both quantitative metrics and visual quality. The source code is available at https://github.com/qulishen/Flickerformer.