실용적인 SDR-to-HDRTV 업컨버전 학습을 위한 새로운 데이터셋과 화질 저하 모델의 활용

미디어 산업에서 사용자가 HDR-WCG(고동적 범위-넓은 색 영역) TV를 보유하고 있는 반면, 대부분의 상용 콘텐츠는 여전히 SDR(표준 동적 범위) 형식으로 제공되기 때문에 SDR-to-HDRTV 업컨버전에 대한 수요가 증가하고 있습니다. 연구 커뮤니티는 이와 같은 저레벨 비전 작업을 학습 기반 접근법을 통해 해결하기 시작했습니다. 그러나 현재의 방법들은 실제 SDR에 적용될 때 어둡고 색상이 빈약한 결과를 생성하는 경향이 있어, 시청 경험에 거의 개선이 이루어지지 않고 있습니다.다른 네트워크 중심적인 방법들과 달리, 우리는 이러한 부족함을 훈련 세트(HDR-SDR 쌍)에 기인한다고 판단하였습니다. 따라서 새로운 HDRTV 데이터셋(HDRTV4K로 명명)과 새로운 HDR-to-SDR 열화 모델을 제안합니다. 이를 통해 밝기 구간별 네트워크(LSN, Luminance-Segmented Network)를 훈련시키는데, 이 네트워크는 전역 매핑 트렁크와 밝은 밝기 범위 및 어두운 밝기 범위에 대한 두 개의 Transformer 분기를 포함합니다. 또한, 맞춤형 지표와 주관적 실험을 통해 평가 기준을 업데이트하였습니다. 마지막으로, 아블레이션 연구를 수행하여 효과성을 입증하였습니다. 우리의 연구는 다음 링크에서 확인할 수 있습니다: https://github.com/AndreGuo/HDRTVDM.