저조도 이미지 향상을 위한 글로벌 구조 인지 확산 프로세스

본 논문은 저조도 이미지 강화 문제를 해결하기 위한 확산 기반 프레임워크를 탐구한다. 확산 모델의 잠재력을 극대화하기 위해, 우리는 이 복잡한 과정을 심층적으로 분석하고, 확산 모델 내재적인 ODE 경로(ODE-trajectory)의 정규화를 제안한다. 구체적으로, 최근 연구에서 낮은 곡률을 가진 ODE 경로가 안정적이고 효과적인 확산 과정을 가능하게 한다는 점에 착안하여, 이미지 데이터의 내재적 비국소 구조(non-local structures)에 기반한 곡률 정규화 항을 제안한다. 이를 '글로벌 구조 인지 정규화(Global structure-aware regularization)'라 명명하며, 이는 확산 과정 중에 복잡한 세부 정보의 보존과 대비도의 증강을 점진적으로 촉진한다. 이러한 정규화의 도입은 확산 과정에서 발생하는 노이즈 및 아티팩트의 부정적 영향을 완화하여, 보다 정밀하고 유연한 이미지 강화를 가능하게 한다. 또한 어려운 영역에서의 학습을 더욱 촉진하기 위해, 불확실성 기반 정규화 기법을 도입하여 이미지의 가장 극단적인 영역에 대한 제약을 지혜롭게 완화한다. 실험적 평가 결과, 순위 정보를 반영한 정규화 기법을 통합한 제안된 확산 기반 프레임워크가 저조도 강화에서 뛰어난 성능을 보였다. 결과적으로 기존 최첨단 방법들과 비교하여 이미지 품질 향상, 노이즈 억제, 대비 증폭 측면에서 두드러진 성과를 나타냈다. 본 연구에서 제안하는 혁신적인 접근법이 저조도 이미지 처리 분야의 추가적인 탐구와 발전을 촉진할 것으로 기대되며, 확산 모델의 다른 응용 분야에도 중요한 함의를 가질 수 있다. 코드는 공개되어 있으며, https://github.com/jinnh/GSAD 에서 확인할 수 있다.