Het Kost Twee: Een Duet van Periodiciteit en Directionaliteit voor het Verwijderen van Burst Flicker

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

March 24, 2026

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

cs.AI

Samenvatting

Flicker-artefacten, die voortkomen uit onstabiele verlichting en rijgewijze belichtingsinconsistenties, vormen een grote uitdaging bij fotografie met korte belichtingstijden en verslechteren de beeldkwaliteit aanzienlijk. In tegenstelling tot typische artefacten zoals ruis en weinig licht, is flicker een gestructureerde degradatie met specifieke ruimtelijk-temporele patronen, die niet worden meegenomen in huidige algemene restauratiekaders, wat leidt tot suboptimale flickeronderdrukking en ghosting-artefacten. In dit werk tonen we aan dat flicker-artefacten twee intrinsieke kenmerken vertonen, periodiciteit en directionaliteit, en stellen we Flickerformer voor, een transformer-gebaseerde architectuur die flicker effectief verwijdert zonder ghosting te introduceren. Concreet bestaat Flickerformer uit drie belangrijke componenten: een fasegebaseerde fusiemodule (PFM), een autocorrelatie feed-forward netwerk (AFFN) en een op wavelets gebaseerde directionele aandachtmodule (WDAM). Gebaseerd op de periodiciteit voert PFM inter-frame fasecorrelatie uit om burstkenmerken adaptief te aggregeren, terwijl AFFN intra-frame structurele regelmatigheden benut via autocorrelatie, wat gezamenlijk het vermogen van het netwerk versterkt om ruimtelijk terugkerende patronen waar te nemen. Bovendien, gemotiveerd door de directionaliteit van flicker-artefacten, benut WDAM hoogfrequente variaties in het waveletdomein om het herstel van laagfrequente donkere regio's te sturen, wat een precieze lokalisatie van flicker-artefacten oplevert. Uitgebreide experimenten tonen aan dat Flickerformer superieure prestaties levert vergeleken met state-of-the-art benaderingen in zowel kwantitatieve metrieken als visuele kwaliteit. De broncode is beschikbaar op https://github.com/qulishen/Flickerformer.

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.