초록
저조도 환경에서의 이미징은 광자 수와 신호 대 잡음 비율(SNR)이 낮기 때문에 도전적입니다. 짧은 노출 시간의 이미지는 잡음으로 인해 품질이 떨어지며, 긴 노출 시간은 블러를 유발할 수 있고 종종 실용적이지 않습니다. 다양한 잡음 제거, 블러 제거 및 강화 기술이 제안되었지만, 극단적인 조건(예: 야간 비디오 속도 이미징)에서는 그 효과가 제한적입니다. 저조도 이미지 처리를 위한 학습 기반 파이프라인 개발을 지원하기 위해, 우리는 원시 데이터로 구성된 짧은 노출 시간의 저조도 이미지 데이터셋과 해당하는 긴 노출 시간의 참조 이미지를 소개합니다. 이 데이터셋을 사용하여, 완전 컨벌루션 네트워크를 엔드투엔드(end-to-end)로 훈련시키는 저조도 이미지 처리 파이프라인을 개발하였습니다. 이 네트워크는 직접 센서 원시 데이터를 처리하며, 이러한 데이터에서 성능이 떨어지는 전통적인 이미지 처리 파이프라인의 많은 부분을 대체합니다. 새로운 데이터셋에서 유망한 결과를 보고하며, 성능에 영향을 미치는 요소들을 분석하고 미래 연구의 기회를 강조합니다. 결과는 보충 자료 영상(https://youtu.be/qWKUFK7MWvg)에서 확인할 수 있습니다.