ControlLight: К управляемому, согласованному и обобщаемому улучшению изображений в условиях низкой освещенности

Аннотация

Существующие методы улучшения изображений при низкой освещенности на основе глубокого обучения обычно обучаются на ограниченных наборах данных с единственной целью улучшения, что ограничивает их обобщающую способность и управляемость в реальных приложениях. Для преодоления этих ограничений мы предлагаем ControlLight — управляемую, согласованную и обобщающую структуру для улучшения изображений при низкой освещенности. Сначала мы создаем крупномасштабный набор данных реальных деградированных изображений с непрерывным контролем силы освещенности. Для обеспечения согласованности выходных результатов при различных уровнях управления мы вводим функцию потерь согласования весов с учетом несоосности, которая сохраняет структуру изображения при непрерывных изменениях силы улучшения. ControlLight позволяет пользователям редактировать реальные деградированные изображения при низкой освещенности, достигая удовлетворительных результатов путем гибкого управления силой улучшения, сохраняя при этом визуальную согласованность и реалистичность. Обширные эксперименты показывают, что ControlLight превосходит существующие методы улучшения при низкой освещенности, демонстрируя при этом высокую непрерывную управляемость и способность к обобщению на реальные сценарии.

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.