Noites Claras à Frente: Rumo à Restauração de Imagens Noturnas em Múltiplas Condições Climáticas

Clear Nights Ahead: Towards Multi-Weather Nighttime Image Restoration

May 22, 2025

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

cs.AI

Resumo

A restauração de imagens noturnas afetadas por múltiplas condições climáticas adversas é um problema de pesquisa prático, porém pouco explorado, uma vez que várias condições climáticas frequentemente coexistem no mundo real, juntamente com diversos efeitos de iluminação durante a noite. Este artigo explora pela primeira vez a tarefa desafiadora de restauração de imagens noturnas em múltiplas condições climáticas, onde vários tipos de degradações climáticas estão interligados com efeitos de flare. Para apoiar a pesquisa, contribuímos com o conjunto de dados AllWeatherNight, que apresenta imagens noturnas em grande escala e de alta qualidade com diversas degradações composicionais, sintetizadas usando nossa geração de degradação consciente da iluminação. Além disso, apresentamos o ClearNight, uma estrutura unificada de restauração de imagens noturnas, que remove efetivamente degradações complexas de uma só vez. Especificamente, o ClearNight extrai priores duais baseados em Retinex e guia explicitamente a rede para focar em regiões de iluminação irregular e conteúdos intrínsecos de textura, respectivamente, melhorando assim a eficácia da restauração em cenários noturnos. Para representar melhor as características comuns e únicas de múltiplas degradações climáticas, introduzimos um método de colaboração dinâmica específica-comum consciente do clima, que identifica degradações climáticas e seleciona adaptativamente as unidades candidatas ótimas associadas a tipos específicos de clima. Nosso ClearNight alcança desempenho de ponta tanto em imagens sintéticas quanto em imagens do mundo real. Experimentos abrangentes de ablação validam a necessidade do conjunto de dados AllWeatherNight, bem como a eficácia do ClearNight. Página do projeto: 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