ControlLight: Naar controleerbare, consistente en generaliseerbare laaglichtverbetering

Samenvatting

Bestaande op deep learning gebaseerde methoden voor verbetering bij weinig licht worden doorgaans getraind op beperkte datasets met enkelvoudige verbeterdoelen, wat hun generalisatievermogen en controleerbaarheid in praktijktoepassingen beperkt. Om deze beperkingen te overwinnen, introduceren we ControlLight, een controleerbaar, consistent en generaliseerbaar raamwerk voor verbetering bij weinig licht. We construeren eerst een grootschalige dataset van echte gedegradeerde beelden met continue supervisie van de lichtsterkte. Om consistente uitvoer onder verschillende controlesterktes te garanderen, introduceren we een misalignatie-bewust gewogen stroommatchingverlies dat de beeldstructuur behoudt over continue verbetersterktes. ControlLight stelt gebruikers in staat om echte gedegradeerde beelden bij weinig licht te bewerken naar bevredigende verbeterresultaten door flexibel de sterkte te regelen, terwijl visuele consistentie en realisme behouden blijven. Uitgebreide experimenten tonen aan dat ControlLight state-of-the-art prestaties levert ten opzichte van bestaande benaderingen voor verbetering bij weinig licht, terwijl het sterke continue controleerbaarheid en generalisatie naar praktijkscenario's laat zien.

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.