저조도 이미지 향상에 대한 정규화 흐름 적용

저조도 이미지를 정상 노출 이미지로 개선하는 것은 매우 불안정한 문제로, 이들 사이의 매핑 관계가 일대다(one-to-many) 형태를 띤다. 기존의 픽셀 단위 재구성 손실과 결정론적 과정에 기반한 방법들은 정상 노출 이미지의 복잡한 조건부 분포를 충분히 포착하지 못하여, 적절하지 않은 밝기, 잔여 노이즈 및 아티팩트가 발생한다. 본 논문에서는 제안한 정규화 흐름(normalizing flow) 모델을 통해 이러한 일대다 관계를 모델링하는 방안을 탐구한다. 저조도 이미지 또는 특징을 조건으로 하는 역행 가능(invertible) 네트워크를 설계하여, 정상 노출 이미지의 분포를 가우시안 분포로 매핑하도록 학습시킨다. 이를 통해 정상 노출 이미지의 조건부 분포를 효과적으로 모델링할 수 있으며, 개선 과정(즉, 역행 가능 네트워크의 반대 방향 추론)은 자연 이미지의 매니폴드 구조를 더 잘 설명하는 손실 함수에 의해 제약되는 것과 동일한 효과를 갖게 된다. 기존 벤치마크 데이터셋에서의 실험 결과를 통해 제안한 방법이 더 우수한 정량적 및 정성적 성능을 달성함을 확인하였으며, 보다 적절한 조명 수준, 낮은 노이즈 및 아티팩트, 풍부한 색채 표현을 제공함을 입증하였다.