웨이블릿 기반 확산 모델을 이용한 저조도 이미지 증강

확산 모델은 이미지 복원 작업에서 희망적인 성과를 거두었으나, 시간 소모가 크고 계산 자원 소비가 과도하며, 복원 과정이 불안정한 문제가 존재한다. 이러한 문제를 해결하기 위해, 본 연구에서는 강건하고 효율적인 저조도 이미지 증강을 위한 확산 기반 접근법인 DiffLL을 제안한다. 구체적으로, 확산 모델의 생성 능력을 활용하여 감각적 정확도가 높은 결과를 생성할 수 있는 웨이블릿 기반 조건부 확산 모델(WCDM)을 제안한다. 또한, 웨이블릿 변환의 장점을 활용함으로써 추론 속도를 크게 향상시키고 계산 자원 사용량을 감소시키면서도 정보 손실 없이 효율적인 처리를 가능하게 한다. 혼란스러운 콘텐츠나 과도한 다양성을 방지하기 위해, WCDM의 학습 단계에서 전방 확산과 노이즈 제거를 모두 수행함으로써, 추론 시 안정적인 노이즈 제거 성능을 달성하고 무작위성을 줄이는 효과를 얻는다. 더불어, 이미지의 수직 및 수평 세부 정보를 활용하여 대각선 정보를 보완함으로써 보다 정밀한 복원을 가능하게 하는 고주파 복원 모듈(HFRM)을 추가로 설계하였다. 공개된 실제 환경 기반 벤치마크에서 실시한 광범위한 실험 결과, 제안한 방법은 기존 최첨단 기법들과 비교하여 정량적 및 정성적 측면에서 모두 우수한 성능을 보이며, 이전의 확산 기반 방법들에 비해 효율성 측면에서 뚜렷한 개선을 나타낸다. 또한, 저조도 얼굴 탐지에의 응용을 통해 본 방법의 잠재적 실용 가치도 실험적으로 입증하였다. 코드는 https://github.com/JianghaiSCU/Diffusion-Low-Light 에서 공개되어 있다.