← नवीनतम पेपर
💻 computer science

Low Light Image Enhancement Challenge at NTIRE 2026

यह शोध पत्र NTIRE 2026 लो लाइट इमेज एन्हांसमेंट चैलेंज की समीक्षा करता है, जिसमें 22 टीमों की भागीदारी, प्रस्तावित समाधानों और अंतिम परिणामों का विवरण दिया गया है ताकि कम-कंट्रास्ट और शोर वाले चित्रों को पुनर्स्थापित करने में महत्वपूर्ण अत्याधुनिक प्रगति को प्रदर्शित किया जा सके।

मूल लेखक: George Ciubotariu, Sharif S M A, Abdur Rehman, Fayaz Ali Dharejo, Rizwan Ali Naqvi, Marcos V. Conde, Radu Timofte, Zhi Jin, Hongjun Wu, Wenjian Zhang, Chang Ye, Xunpeng Yi, Qinglong Yan, Yibing Zhang
प्रकाशित 2026-04-21
📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: George Ciubotariu, Sharif S M A, Abdur Rehman, Fayaz Ali Dharejo, Rizwan Ali Naqvi, Marcos V. Conde, Radu Timofte, Zhi Jin, Hongjun Wu, Wenjian Zhang, Chang Ye, Xunpeng Yi, Qinglong Yan, Yibing Zhang, Nikhil Akalwadi, Varda I Pattanshetty, Varsha I Pattanshetty, Padmashree Desai, Uma Mudenagudi, Ramesh Ashok Tabib, Hao Yang, Ruikun Zhang, Liyuan Pan, Furkan Kınlı, Donghun Ryou, Inju Ha, Junoh Kang, Bohyung Han, Wei Zhou, Yuval Haitman, Ariel Lapid, Reuven Peretz, Idit Diamant, Leilei Cao, Shuo Zhang, Praful Hambarde, Prateek Shaily, Jayant Kumar, Hardik Sharma, Aashish Negi, Sachin Chaudhary, Akshay Dudhane, Amit Shukla, MoHao Wu, Lin Wang, Jiachen Tu, Guoyi Xu, Yaoxin Jiang, Jiajia Liu, Yaokun Shi, Raul Balmez, Alexandru Brateanu, Ciprian Orhei, Cosmin Ancuti, Codruta O. Ancuti, Bilel Benjdira, Anas M. Ali, Wadii Boulila, Kaifan Qiao, Bofei Chen, Jingyi Xu, Duo Zhang, Xin Deng, Mai Xu, Shengxi Li, Lai Jiang, Harini A, Ananya N, Lakshanya K, Ying Xu, Xinyi Zhu, Shijun Shi, Jiangning Zhang, Yong Liu, Kai Hu, Jing Xu, Xianfang Zeng, Jinao Song, Guangsheng Tang, Cheng Li, Yuqiang Yang, Ziyi Wang, Yan Chen, Long Bao, Heng Sun, Mohab Kishawy, Jun Chen, Wan-Chi Siu, Yihao Cheng, Hon Man Hammond Lee, Chun-Chuen Hui

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास किसी कॉन्सर्ट या कैंपफायर की ली गई एक बहुत ही सुंदर फोटो है। लेकिन जब आप उसे अपने फोन पर देखते हैं, तो वह पूरी तरह काली, दानेदार (grainy) और धुंधली होती है, जिसमें कुछ भी दिखाई नहीं देता। आप काश उस समय एक टॉर्च जला पाते ताकि विवरण देखे जा सकें, लेकिन आप समय में पीछे नहीं जा सकते।

यह पेपर एक विशाल वैश्विक प्रतियोगिता NTIRE 2026 के बारे में है, जहाँ कंप्यूटर वैज्ञानिकों और AI शोधकर्ताओं ने ठीक इसी समस्या को हल करने की कोशिश की। उन्होंने "डिजिटल जादू की छड़ें" (AI मॉडल्स) बनाईं जो एक खराब, अंधेरी और शोर वाली (noisy) फोटो को लेकर उसे एक उज्ज्वल, स्पष्ट और सुंदर तस्वीर में बदल सकती हैं।

यहाँ इस प्रतियोगिता की कहानी सरल रूप में दी गई है:

1. समस्या: "डार्क रूम" की चुनौती

लंबे समय तक, AI को एक "परफेक्ट क्लासरूम" में प्रशिक्षित किया गया था। शोधकर्ताओं ने AI को नियंत्रित स्टूडियो में ली गई तस्वीरें दीं जहाँ रोशनी एकदम सही थी। AI ने अंधेरी तस्वीरों को ठीक करना सीखा, लेकिन केवल उन्हीं को जो स्टूडियो जैसी दिखती थीं।

जब उन्होंने इस AI को वास्तविक दुनिया की तस्वीरों (जैसे रात में अंधेरी सड़क या कम रोशनी वाली रसोई) पर आज़माया, तो यह बुरी तरह विफल रहा। यह वैसा ही था जैसे किसी छात्र को केवल एक खाली पार्किंग लॉट में गाड़ी चलाना सिखाना और फिर उसे अचानक भारी ट्रैफिक के बीच छोड़ देना।

समाधान: आयोजकों ने एक नया डेटासेट बनाया जिसे LSD (Low-light Smartphone Dataset) कहा गया। उन्होंने वास्तविक दुनिया में, अंधेरे में, असली स्मार्टफोन कैमरों के साथ हजारों तस्वीरें लीं। यह "भारी ट्रैफिक" वाला टेस्ट था।

2. दो ट्रैक: "साफ" बनाम "गंदा"

प्रतियोगिता में कठिनाई के दो अलग-अलग स्तर थे, जैसे कि दो अलग-अलग वीडियो गेम मोड:

  • ट्रैक 1 (द "क्लीन" रूम): प्रतिभागियों को ऐसी तस्वीरें दी गईं जिन्हें पहले से ही "दाने" (noise) से साफ कर दिया गया था। उनका काम बस तस्वीर को उज्ज्वल बनाना और रंगों को उभारना था। इसे एक गंदी खिड़की को साफ करने जैसा समझें; कांच पहले से ही साफ है, आपको बस उसे पोंछने की जरूरत है।
  • ट्रैक 2 (द "मेसी" रूम): यह कठिन मोड था। प्रतिभागियों को ऐसी तस्वीरें मिलीं जो दोनों तरफ से खराब थीं—अंधेरी भी और दानेदार शोर (grainy noise) से भरी भी। उन्हें अंधेरे को भी ठीक करना था और शोर को भी हटाना था, और वह भी बिना तस्वीर को नकली या धुंधला बनाए। यह एक ऐसी खिड़की को साफ करने जैसा है जो बारिश में और कीचड़ से ढकी हुई हो।

3. प्रतियोगी: "डिजिटल मैकेनिक"

दुनिया भर से 195 टीमों ने भाग लिया। वे एक गैरेज में मौजूद मैकेनिकों की तरह थे, जिनमें से प्रत्येक के पास कार को ठीक करने के लिए एक अलग औज़ार था। यहाँ उनके द्वारा उपयोग किए गए कुछ रचनात्मक औज़ारों के उदाहरण दिए गए हैं:

  • "लेयर केक" दृष्टिकोण (KLETech-CEVI): पूरी तस्वीर को एक साथ ठीक करने के बजाय, उन्होंने छवि को परतों (एक केक की तरह) में विभाजित किया। उन्होंने नीचे की परत (बड़ी आकृतियों) को ठीक किया और ऊपरी परत (बारीक विवरणों) को अलग से ठीक किया, और फिर उन्हें वापस एक साथ जोड़ दिया।
  • "वेव" (तरंग) दृष्टिकोण (BAU-Vision): उन्होंने छवि को एक ध्वनि तरंग (sound wave) की तरह माना। उन्होंने गणित का उपयोग करके "लो नोट्स" (कुल चमक) को "हाई नोट्स" (तेज किनारे और बनावट) से अलग किया और उन्हें अलग-अलग तरीके से ठीक किया।
  • "टीमवर्क" दृष्टिकोण (ReagvisLabs): उन्होंने सिर्फ एक AI पर भरोसा नहीं किया। उन्होंने दो अलग-अलग AI बनाए, उन्हें फोटो पर अलग-अलग काम करने दिया, और फिर एक "मैनेजर" AI को यह तय करने दिया कि प्रत्येक AI के हिस्से में से कौन सा हिस्सा सबसे अच्छा दिखता है और फिर उन्हें मिला दिया।
  • "टाइम ट्रैवलर" (AAIR ARM): उन्होंने एक बहुत ही उन्नत AI का उपयोग किया जो एक "सपनों की अवस्था" (latent space) में फोटो की कल्पना करके सीखता है। यह धीरे-धीरे अंधेरी, धुंधली कल्पना को एक स्पष्ट, उज्ज्वल वास्तविकता में बदल देता है।
  • "प्रोग्रेसिव लर्नर" (YuFans): उन्होंने महसूस किया कि AI इसलिए भ्रमित हो रहा था क्योंकि टेस्ट फोटोज़ बहुत अधिक अंधेरी थीं। इसलिए, उन्होंने AI को थोड़ा अंधेरे वाली तस्वीरों से शुरू करना सिखाया और धीरे-धीरे उसे और भी अंधेरी तस्वीरें दिखाते गए, ताकि वह अत्यधिक अंधेरे को संभालने के लिए प्रशिक्षित हो सके।

4. परिणाम: कौन जीता?

जजों ने केवल तस्वीरों को नहीं देखा; उन्होंने कंप्यूटर मापों (पिक्सेल मूल के कितने करीब हैं) और मानव जजों (कौन सी तस्वीर हमारी आँखों को अधिक प्राकृतिक लगती है) के मिश्रण का उपयोग किया।

  • ट्रैक 1 विजेता: SYSU-FVL। उन्होंने दो अलग-अलग AI मॉडल्स का उपयोग करके और उनके परिणामों को मिलाकर जीत हासिल की, जैसे कि दो बेहतरीन रंगों को मिलाकर एकदम सही रंग प्राप्त करना।
  • ट्रैक 2 विजेता: BAU-Vision। उन्होंने कठिन मोड में जीत हासिल की, जिसमें उन्होंने उस "वेव" दृष्टिकोण का उपयोग किया ताकि शोर को हटाते समय विवरणों को भी तीक्ष्ण (sharp) रखा जा सके।

5. यह क्यों मायने रखता है?

आप सोच सकते हैं, "तो क्या हुआ? मैं अपने फोन का नाइट मोड इस्तेमाल कर सकता हूँ।"

लेकिन यह तकनीक सेल्फी से कहीं अधिक है:

  • स्व-चालित कारें (Self-Driving Cars): उन्हें दुर्घटनाओं से बचने के लिए कोहरे भरी, घनी अंधेरी रात में भी स्पष्ट रूप से देखने की आवश्यकता होती है।
  • निगरानी (Surveillance): सुरक्षा कैमरे अक्सर अंधेरे में विफल हो जाते हैं। यह तकनीक उन्हें अपराधियों या दुर्घटनाओं को स्पष्ट रूप से देखने में मदद कर सकती है।
  • मेडिकल इमेजिंग: डॉक्टरों को कभी-कभी उन विवरणों को देखने की आवश्यकता होती है जो वर्तमान में बहुत अधिक दानेदार (grainy) होते हैं और जिन पर भरोसा नहीं किया जा सकता।
  • इतिहास: कल्पना कीजिए कि 1950 के दशक की पुरानी, क्षतिग्रस्त और अंधेरी पारिवारिक तस्वीरों को बहाल करना ताकि आपके पोते-पोतियां अपने पूर्वजों को स्पष्ट रूप से देख सकें।

निष्कर्ष

यह पेपर केवल गणितीय सूत्रों की सूची नहीं है। यह इस बारे में एक रिपोर्ट है कि दुनिया के सर्वश्रेष्ठ AI शोधकर्ता कंप्यूटर को अंधेरे में "देखना" कैसे सिखा रहे हैं। वे परफेक्ट, नकली ट्रेनिंग डेटा से दूर जा रहे हैं और AI को वास्तविक दुनिया की अव्यवस्थित, दानेदार और अप्रत्याशित वास्तविकता को संभालने के लिए प्रशिक्षित कर रहे हैं।

विजेताओं ने साबित कर दिया कि यदि आप एक AI को सही प्रशिक्षण (वास्तविक दुनिया का अंधेरा) और सही उपकरण (स्मार्ट गणित) देते हैं, तो वह एक डरावने, काले शून्य को एक स्पष्ट, जीवंत तस्वीर में बदल सकता है।

अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?

आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 💻 cs →