Retinexformer: 저조도 이미지 향상용 단일 단계 Retinex 기반 Transformer

저조도 이미지를 향상시키는 데에는 많은 딥러닝 알고리즘이 Retinex 이론을 기반으로 하고 있습니다. 그러나 Retinex 모델은 어두운 부분에 숨겨져 있거나 조명 과정에서 발생하는 오염을 고려하지 않습니다. 또한, 이러한 방법들은 일반적으로 복잡한 다단계 학습 파이프라인을 필요로 하며 컨볼루션 신경망에 의존하여, 장거리 의존성을 포착하는 데 한계를 보입니다. 본 논문에서는 간단하면서도 원칙적인 단일 단계 Retinex 기반 프레임워크(One-stage Retinex-based Framework, ORF)를 제시합니다. ORF는 먼저 조명 정보를 추정하여 저조도 이미지를 밝히고, 그 다음에 오염을 복원하여 향상된 이미지를 생성합니다. 우리는 서로 다른 조명 상태의 영역 간 비국소적 상호작용을 모델링하기 위해 조명 표현을 활용하는 Illumination-Guided Transformer (IGT)를 설계하였습니다. IGT를 ORF에 통합함으로써 우리의 알고리즘인 Retinexformer를 얻었습니다. 광범위한 정량적 및 정성적 실험 결과, 우리의 Retinexformer가 13개 벤치마크에서 최신 방법들을 크게 능가한다는 것을 입증하였습니다. 사용자 연구와 저조도 객체 검출 응용 사례에서도 우리 방법의 잠재적인 실용 가치가 드러났습니다. 코드, 모델 및 결과는 https://github.com/caiyuanhao1998/Retinexformer에서 확인할 수 있습니다.