히스토그램 균형화 사전을 활용한 비지도 저조도 이미지 향상

저조도 이미지 증강을 위한 딥러닝 기반 방법들은 일반적으로 방대한 쌍화된 학습 데이터를 요구하지만, 현실 세계에서는 이러한 데이터를 캡처하는 것이 실용적이지 않다. 최근에는 쌍화된 학습 데이터에 의존하지 않는 비지도적 접근법이 탐색되고 있다. 그러나 이러한 방법들은 사전 지식(prior)이 부족한 탓에 다양한 현실 세계 시나리오에서 예측 불가능한 성능을 보인다. 이 문제를 해결하기 위해, 히스토그램 평준화 사전(Histogram Equalization Prior, HEP)을 활용한 비지도 저조도 이미지 증강 방법을 제안한다. 본 연구는 히스토그램 평준화를 통해 증강된 이미지의 특징 맵과 진짜 이미지(Ground Truth) 간에 유사성이 존재한다는 흥미로운 관찰에서 영감을 얻었다. 구체적으로, HEP를 수식화하여 풍부한 텍스처 및 밝기 정보를 제공한다. 이 HEP는 '빛을 높이는 모듈(Light Up Module, LUM)'에 내장되어 저조도 이미지를 조명도 맵과 반사율 맵으로 분해하는 데 기여하며, 이 반사율 맵은 복원된 이미지로 간주할 수 있다. 그러나 Retinex 이론에 기반한 분석 결과, 반사율 맵은 노이즈에 오염되어 있음을 밝혔다. 이를 해결하기 위해, 쌍화되지 않은 정제된 이미지의 신뢰성 있는 도움을 받아 반사율 맵 내의 노이즈와 콘텐츠를 분리하는 노이즈 분리 모듈(Noise Disentanglement Module, NDM)을 도입한다. 히스토그램 평준화 사전과 노이즈 분리 기반의 지도를 받으며, 본 방법은 더 세밀한 세부 정보를 복원할 수 있으며, 현실 세계의 저조도 환경에서 노이즈 억제 능력이 더욱 향상된다. 광범위한 실험 결과는 제안한 방법이 최신 비지도 저조도 증강 알고리즘들에 비해 우수한 성능을 발휘함은 물론, 일부 경우 최신 지도 학습 기반 알고리즘과 경쟁 가능한 성능을 달성함을 입증한다.