低照度画像の正規化フローを用いたEnhancement

低照度画像を通常露出画像に高精度に増強することは、非常に不適切な問題（ill-posed）であり、両者間のマッピング関係が一対多（one-to-many）であるため、そのような関係を正確に捉えることが困難である。従来の手法はピクセル単位の再構成損失と決定論的プロセスに基づいており、通常露出画像の複雑な条件付き分布を十分に表現できず、結果として明るさの不適切さ、残存ノイズ、アーティファクトが生じる。本研究では、提案する正規化フロー（normalizing flow）モデルを用いて、この一対多の関係をモデル化することを検討する。本手法は、低照度画像または特徴量を条件として受け入れる可逆ネットワークを採用し、通常露出画像の分布をガウス分布に変換する学習を実現する。これにより、通常露出画像の条件付き分布を適切にモデル化可能となり、逆方向の推論（すなわち、画像増強プロセス）は、自然画像の多様体構造をより適切に表現する損失関数によって制約されたものと等価となる。既存のベンチマークデータセットにおける実験結果から、本手法が定量的および定性的な観点で優れた性能を達成していることが示された。具体的には、より自然な照度、低減されたノイズとアーティファクト、そして豊かな色彩再現が実現されている。