Contact

技術

撮れた映像から、情報を引き出す。Beaconの中核は、自ら設計し論文とコードを公開している低照度画像強調手法「SD-Retinex」です。

01Pipeline

撮影から報告まで、現場で完結する設計へ。

Beaconは、撮影する機材を選びません。すでにある映像を、GPUのない既存のPCでそのまま処理します。

  1. 01

    Capture

    取り込む

    既存のカメラ、ドローン、管路TVカメラ、ROV、過去の記録映像をそのまま入力できます。

  2. 02

    Enhance

    補正する

    SD-Retinexが明るさ・コントラスト・色を整え、暗部に埋もれた細部を浮かび上がらせます。

  3. 03

    Detect

    見つける開発中

    補正した映像から、錆・漏れ・ひび割れ・異物などの異常候補を抽出します。

  4. 04

    Explain

    伝える開発中

    日本語で問いかけると、異常候補とその根拠を説明し、点検記録にまとめます。

SD-Retinex による補正は現場のPCでオフラインのまま完結し、映像を社外やクラウドに出さずに扱えます。検出・説明の機能も、現場で動く設計で開発しています。

02SD-Retinex

シグモイド関数の導関数から設計した、
安定な Retinex 手法

SD-Retinexは、学習データもGPUも使わずに低照度画像を補正する Retinex 系の手法です。前身の XCR をシグモイド関数の導関数という一つの原理から捉え直し、安定性と画質を大きく高めました。

  • 学習不要

    学習データやモデルの重みを必要としません。お客さまの画像を集める前から、すぐに検証を始められます。

  • CPUで高速

    分離型フィルタで、1画素あたりの計算量は O(N)。600×400 の画像を 1スレッドで約18 ms で処理します。

  • 白飛びしにくい

    有界なシグモイド型トーンマップで出力を 0〜1 の範囲に収め、明るい部分の白飛びを抑えます。

  • 色のずれが小さい

    色差 ΔE00 は 15.90 で、評価した学習不要手法の中で最小。点検記録として残す画像の色のずれを小さく抑えます。

  • 挙動を説明できる

    照明補正の強さ（β）など、意味のはっきりしたパラメータで結果を調整し、その理由を説明できます。

  • 結果が再現できる

    同じ入力と同じパラメータからは、常に同じ結果が得られます。監査や記録の再現に向いています。

3つの仕組み

  1. 01

    実軸上のシグモイド導関数カーネル

    照明成分の推定に、シグモイド関数の導関数 σ′(z) = σ(z)(1 − σ(z)) を実軸上で用います。極を持たない滑らかなカーネルで、半径と傾き（N, a）を変えても安定に振る舞います。分離型なので、計算量は1画素あたり O(N) です。

  2. 02

    Naka–Rushton 型のトーンマップ

    網膜の光受容体の応答を表す Naka–Rushton 式と同じ形の、有界なシグモイドで明るさを持ち上げます。先行手法の固定幅のゲイン制限をこのトーンマップに替えるだけで、PSNR は 8.78 dB から 16.47 dB へ（+7.7 dB）、色差 ΔE00 は 34.1 から 15.9 へ改善しました（論文のアブレーション）。

  3. 03

    ノイズ適応ゲイン

    局所的なばらつきが大きい領域ではコントラストの増幅を抑え、暗所の映像に多いノイズの強調を抑えます。

-20-1001020
照明推定カーネル σ′(au)（a = 0.5、N = 20）。極を持たない滑らかな釣鐘形で、有効幅は約 1.814/a 画素。横軸はカーネル中心からの距離（画素）。

03Examples

処理例

CGで再現した暗所の点検シーン（カメラの感度とノイズをシミュレーション）に、SD-Retinex を既定のパラメータのまま適用しました。スライダーで処理前後を比較できます。画像は Web 表示用に圧縮しています。

照明不足で撮影された老朽コンクリート下水道管の内部。奥は暗く、壁面の状態はほとんど判別できない。
SD-Retinex で処理した同じ下水道管。左上の管軸方向のひび割れと錆汁、継手のずれ、取付管の開口、底部の堆積物と流水が見える。

04Benchmark

公開ベンチマークでの評価

低照度画像の代表的な公開ベンチマーク LOL（評価用15組）で、すべての手法を同じ評価コードで採点しました。SD-Retinex は、評価した学習不要手法の中で PSNR・色差・処理時間のすべてで最良です。さらに学習も GPU も使わずに、深層学習モデル Zero-DCE と SCI を PSNR と色差で上回っています。

  • PSNR

    16.47dB

    評価した学習不要手法で最高

  • 色差 ΔE00

    15.90

    評価した学習不要手法で最小

  • 処理速度（18.41 ms/枚）

    54FPS

    評価した学習不要手法で最速

LOL eval15 における各手法の平均値
手法PSNR (dB) ↑色差 ΔE00 ↓処理時間 (ms/枚) ↓
処理なし
入力（処理なし）7.7737.08—
学習不要・CPU
SSR8.9931.88151.01
MSR8.9132.09604.31
LIME-like8.7232.1431.84
XCR9.8330.9124.36
SD-Retinex16.4715.9018.41
学習済み深層モデル（ゼロリファレンス型）
Zero-DCE14.8018.92GPU
SCI14.7819.52GPU

出典: T. Okugawa, “SD-Retinex: A Stable Retinex Method for Low-Light Image Enhancement Designed Around the Sigmoid Derivative,” Zenodo, 2026（表II）。SSR・MSR・LIME-like はリポジトリに収録した実装で、LIME-like はガウシアン平滑で照明を推定する簡略版の LIME です。処理時間は AMD Ryzen 7 8840U・Windows 11・Python 3.11・OpenCV 4.13・1スレッド・600×400、ウォームアップを除く7回の中央値で、この表の中での比較用です。Zero-DCE・SCI は学習済みモデルを GPU（Google Colab）で実行し、同じ評価コードで採点しました。SSIM・LPIPS・NIQE を含む全指標とペア学習の深層モデルとの比較は、論文に掲載しています。

3つのデータセットで一貫して向上

公開されている3つのペアデータセットすべてで、先行手法 XCR から PSNR・SSIM・色差が向上しています（論文 表III）。

データセット別の比較（PSNR / SSIM / 色差 ΔE00）
データセット手法PSNR (dB) ↑SSIM ↑ΔE00 ↓
LOL eval1515 組XCR9.830.40330.91
SD-Retinex16.470.48715.90
LOL our485 サブセット100 組XCR8.130.30835.66
SD-Retinex14.600.39619.39
BrighteningTrain100 組XCR15.000.68817.60
SD-Retinex17.140.75612.32

05Lineage

研究の歩み

Beaconの技術は、2025年から続く一連の研究から生まれました。

  1. 2025.11

    FSSR

    Jxiv

    高速な Single-Scale Retinex を提案し、低照度環境でのリアルタイム骨格検出の性能を評価。

    DOI: 10.51094/jxiv.1897

  2. 2025.11

    XCR

    Jxiv

    複素指数関数から解析的に導いた分離型カーネルで照明を推定する Retinex 手法。GPUを使わずCPUのみで 1080p 動画を平均 15.32 FPS で処理（Snapdragon X 搭載PCでの計測）。

    DOI: 10.51094/jxiv.1961

  3. 2026.06

    SD-Retinex

    Zenodo

    シグモイド関数の導関数を設計原理とし、極を持たない実軸カーネルと有界なトーンマップで、学習不要・CPUのみの安定した低照度画像強調を実現。LOL eval15 で、評価した学習不要手法の中で最高の PSNR と最小の色差を記録。

    DOI: 10.5281/zenodo.20945211

Open Research

コードも評価結果も、公開しています。

参照実装のコードは MIT ライセンス、図表と指標データは CC BY 4.0 で公開しています。評価コードも含めて第三者が結果を再現できることが、私たちの技術の信頼の土台です。

既定のパラメータ（12項目）

すべての既定値は設計原理から事前に固定しており、テスト画像を使った調整はしていません。

記号役割既定値
aカーネルの傾き0.5
Nカーネルの半径20
β照明補正の強さ0.6
k_base全体のコントラスト1.4
cシグモイドの中心−1.0
φ_min, φ_max正規化の基準点（黒・白）−8, 2
wノイズ推定の窓7
σ_noiseノイズの尺度0.04
p減衰の鋭さ2
s_sat彩度0.8
ε₀照明の下限10⁻³
ε_c輝度の下限10⁻⁴
引用（BibTeX）
@misc{okugawa2026sdretinex,
  author    = {Okugawa, Toma},
  title     = {{SD-Retinex}: A Stable Retinex Method for Low-Light Image Enhancement Designed Around the Sigmoid Derivative},
  year      = {2026},
  publisher = {Zenodo},
  doi       = {10.5281/zenodo.20945211},
  url       = {https://doi.org/10.5281/zenodo.20945211}
}

Product

Beacon ソフトウェア

SD-Retinex を核に、暗所の点検映像を「見る」から「見つけて説明する」へ。現場のPCで動く点検支援ソフトウェアを開発しています。

開発中

PoCパートナーとして参加する

  • 完全オフライン

    インターネットに接続せず、エアギャップ環境でも動作します。

  • 既存のPCで動作

    GPUなしで、いま使っているPCで動く設計です。

  • ハードウェアを選ばない

    カメラ・ドローン・ROV・過去の映像まで、撮影機材を問いません。

  • 日本語で問いかけ

    「錆はある？」と尋ねると、異常候補と根拠を示す機能を開発しています。

Contact

PoC・共同研究・取材のご相談

暗所の点検映像をお持ちの事業者さま、共同実証にご関心のある企業・研究機関さまからのご連絡をお待ちしています。

お問い合わせtoma.okugawa@gmail.com