ExposureDiffusion: 어두운 조명 이미지 향상을 위한 노출 학습

이전의 원시 이미지 기반 저조도 이미지 증강 방법들은 주로 저조도 이미지에서 정상 노출 이미지로의 결정론적 변환을 학습하기 위해 전방향 신경망(feed-forward neural networks)에 의존해 왔다. 그러나 이러한 방법들은 중요한 분포 정보를 포착하지 못하여 시각적으로 불만족스러운 결과를 초래했다. 본 연구는 물리 기반 노출 모델을 확산 모델(diffusion model)과 원활하게 통합함으로써 이 문제를 해결한다. 일반적인 확산 모델이 가우시안 노이즈 제거를 수행해야 하는 반면, 본 연구에서 제안하는 방법은 물리 기반 노출 모델을 도입함으로써 순수한 노이즈가 아닌 노이즈가 포함된 이미지로부터 직접 복원 과정을 시작할 수 있다. 이로 인해 기존의 일반적인 확산 모델에 비해 성능이 크게 향상되고 추론 시간도 단축된다. 또한, 다양한 중간 단계의 장점을 극대화하기 위해, 이미 노출이 잘 이루어진 중간 결과에서 발생할 수 있는 부작용을 효과적으로 제거하는 적응형 잔차 층(adaptive residual layer)을 제안한다. 제안된 프레임워크는 실제 쌍체 데이터셋(real-paired datasets), 최첨단 노이즈 모델, 그리고 다양한 백본 네트워크와 호환된다. 특히, 제안된 프레임워크는 실제 쌍체 데이터셋, 실제 또는 합성 노이즈 모델, 다양한 백본 네트워크 모두와 호환 가능하다는 점에 주목할 필요가 있다. 다양한 공개 벤치마크에서 제안된 방법을 평가한 결과, 다양한 노출 모델과 백본 구조를 사용함에도 불구하고 일관된 성능 향상이 나타났다. 더불어, 제안된 방법은 미지의 노출 증폭 비율에 대해 더 우수한 일반화 능력을 보였으며, 파라미터 수가 적은 경우에도 더 큰 전방향 신경망 모델보다 뛰어난 성능을 달성하였다.