教師なし低照度画像増強：ヒストグラム等化事前知識を用いた手法

低照度画像強調のための深層学習ベースの手法は、通常、膨大なペアデータを必要とするため、現実世界の状況では実用的に取得できない。近年、ペアデータに依存しない非教師ありアプローチが検討されている。しかし、事前知識（prior）が欠如しているため、多様な現実世界のシナリオにおいて性能が不安定である。この問題に対処するために、本研究では「ヒストグラム等化事前知識（Histogram Equalization Prior, HEP）」と呼ばれる有効な事前知識に基づく非教師あり低照度画像強調手法を提案する。本研究の着想は、ヒストグラム等化によって強調された画像の特徴マップと真の画像（ground truth）の間には類似性が存在するという興味深い観察に由来する。具体的には、HEPを定式化することで、豊富なテクスチャ情報および明るさ情報の提供を可能にした。このHEPは、Light Up Module（LUM）に組み込まれ、低照度画像を照度マップと反射率マップに分解するのを支援する。ここで得られる反射率マップは、復元された画像と見なすことができる。一方、Retinex理論に基づく導出により、反射率マップはノイズに汚染されていることが明らかとなった。そこで、非ペアのクリーン画像を信頼できる補助情報として用い、ノイズ分離モジュール（Noise Disentanglement Module, NDM）を導入することで、反射率マップ内のノイズとコンテンツを分離する。ヒストグラム等化事前知識とノイズ分離の両方によってガイドされる本手法は、より精細な細部の復元が可能となり、現実世界における低照度環境下でのノイズ抑制能力も優れている。広範な実験により、本手法は最先端の非教師あり低照度強調アルゴリズムと比較しても優れた性能を発揮し、さらには最先端の教師あり手法と同等の性能を達成することが示された。