2026年9月21日、Farida Mohsen 氏ら6名による論文「MirrorDistill: Illumination-Aware Latent Distillation for Efficient Low-Light Restoration」が arXiv に投稿された。論文はコンピュータビジョンとパターン認識（cs.CV）に分類され、番号は arXiv:2609.25331v1 である。研究対象は低照度画像強調（LLIE）で、夜間監視、自律ナビゲーション、リモートセンシング、照明の乏しい産業環境での検査など、劣化した照明下で動作する視覚センシングシステムの重要要素である。
多くの LLIE 手法は出力レベルの再構成損失に依存し、最終的な復元画像のみを監督するため、中間特徴の復元過程への制約が弱い。これに対し本論文は、特徴ミラーリングによって低照度領域とクリーン領域を結ぶ照明認識潜在蒸留フレームワーク MirrorDistill を提案する。
訓練時には、共有エンコーダと指数移動平均（EMA）教師デコーダがクリーン参照画像を処理し、クリーン領域の潜在ターゲットを生成する。このターゲットは、生のエンコーダ特徴と標準化されたマルチスケールデコーダ投影という2つのレベルで低照度学生を監督する。整合は層ごとに行われ、提案された照明認識重み付けにより露出不足領域がより重視される。
教師分岐と参照分岐は訓練時のみ使用されるため、推論には軽量な学生エンコーダ・デコーダだけが必要で、教師側の計算コストは発生しない。標準 LOL ベンチマークでの評価では、MirrorDistill は実撮影の LOL-v2-Real セットで最先端手法を上回り、計算複雑度（GMACs）は最小である。また LOL-v1 と LOL-v2-Synthetic でも競争力を保っている。アブレーション研究は、エンコーダミラー、デコーダミラー、照明認識重み付けの寄与を示している。
さらに論文では、今後の研究に資するためコードがオープンソースとして公開されている。投稿履歴では、v1 が2026年9月21日19:20:02 UTCに提出され、ファイルサイズは18,965 KB。DOI は DataCite により付与される予定である。