要約
深層学習に基づく手法は、強力なモデル化能力を備え、顕著な成功を収めている。しかし、これらのモデルの重みは訓練データ全体にわたって学習されるため、学習された強調マッピングにおいてサンプル固有の特性が無視されてしまうという問題が生じる。この状況は、訓練分布から著しく異なるサンプルに対して、テストフェーズでの強調が効果的でない原因となる。本論文では、外部メモリを導入し、外部メモリ拡張ネットワーク（EMNet）を構築することで、低照度画像の強調を実現する。外部メモリは、訓練データセットのサンプル固有の特性を捉え、テストフェーズにおける強調をガイドすることを目的としている。学習されたメモリにより、データセット全体における参照画像のより複雑な分布を「記憶」できるようになり、テストサンプルに対する調整をより適応的に行えるようになる。さらにモデルの表現能力を高めるために、長距離の空間的冗長性を捉えることに特化したTransformerをベースネットワークとして採用している。実験結果から、提案手法が優れた性能を示し、既存の最先端手法を上回ることが確認された。なお、提案する外部メモリは、プラグアンドプレイ型の機構であり、既存のあらゆる手法に容易に統合可能であり、強調品質のさらなる向上が期待できる。他の画像強調手法との外部メモリ統合に関する実践例について、定性的および定量的に分析を行った結果、既存の強調手法と組み合わせた場合にも、本研究で提案するメモリ機構の有効性がさらに裏付けられた。