ControlLight: 制御可能な、一貫した、汎化可能な低照度強調を目指して

要旨

既存の深層学習ベースの低光強調手法は、通常、限られたデータセットと単一の強調目標で訓練されており、実世界の応用における汎化能力と制御可能性が制限される。この制約を克服するため、我々はControlLightを提案する。これは制御可能で一貫性があり、汎化可能な低光強調フレームワークである。まず、連続的な照明強度の教師信号を伴う実世界の劣化画像の大規模データセットを構築する。さらに、異なる制御強度下で一貫した出力を得るために、連続的な強調強度にわたって画像構造を保持する、位置ずれを考慮した重み付きフローマッチング損失を導入する。ControlLightにより、ユーザーは実世界の劣化した低光画像を、視覚的一貫性とリアリズムを保ちながら強度を柔軟に制御し、満足のいく強調結果に編集できる。広範な実験により、ControlLightは既存の低光強調手法に対して最先端の性能を達成し、強い連続制御可能性と実世界シナリオへの汎化性を示す。

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.