Helder weer in zicht: Op weg naar multi-weer nachtelijke beeldrestauratie

Clear Nights Ahead: Towards Multi-Weather Nighttime Image Restoration

May 22, 2025

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

cs.AI

Samenvatting

Het herstellen van nachtelijke beelden die worden beïnvloed door meerdere ongunstige weersomstandigheden is een praktisch maar onderbelicht onderzoeksprobleem, aangezien meerdere weersomstandigheden vaak naast elkaar bestaan in de echte wereld, samen met verschillende lichteffecten 's nachts. Dit artikel onderzoekt eerst de uitdagende taak van het herstellen van nachtelijke beelden onder meerdere weersomstandigheden, waarbij verschillende soorten weersdegradaties verweven zijn met flare-effecten. Om het onderzoek te ondersteunen, dragen we de AllWeatherNight-dataset bij, die grootschalige hoogwaardige nachtelijke beelden bevat met diverse compositorische degradaties, gesynthetiseerd met behulp van onze geïntroduceerde illuminatiebewuste degradatiegeneratie. Bovendien presenteren we ClearNight, een uniform raamwerk voor het herstellen van nachtelijke beelden, dat complexe degradaties effectief in één keer verwijdert. Specifiek extraheert ClearNight Retinex-gebaseerde dubbele prioriteiten en leidt het netwerk expliciet om zich te concentreren op gebieden met ongelijkmatige verlichting en intrinsieke textuurinhoud, waardoor het herstel in nachtelijke scenario's wordt verbeterd. Om de gemeenschappelijke en unieke kenmerken van meerdere weersdegradaties beter te representeren, introduceren we een weersbewuste dynamische specific-commonality samenwerkingsmethode, die weersdegradaties identificeert en adaptief de optimale kandidaateenheden selecteert die geassocieerd zijn met specifieke weertypes. Onze ClearNight behaalt state-of-the-art prestaties op zowel synthetische als echte beelden. Uitgebreide ablatie-experimenten valideren de noodzaak van de AllWeatherNight-dataset evenals de effectiviteit van ClearNight. Projectpagina: 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