하나의 색 공간만으로 충분합니다: 저조도 이미지 향상용 효율적인 네트워크

저조도 이미지 향상(Low-Light Image Enhancement, LLIE) 작업은 저조도 환경에서 손상된 이미지의 세부 정보와 시각적 정보를 복원하는 것을 목표로 합니다. 기존의 대부분 방법은 sRGB 및 HSV 색 공간에서 딥 뉴럴 네트워크(Deep Neural Networks, DNNs)를 사용하여 저조도/정상 조도 이미지 간의 매핑 함수를 학습합니다. 그러나 향상 과정은 이미지 신호를 증폭하는 것이 포함되며, 이는 저신호대잡음비(low signal-to-noise ratio)를 가진 저조도 이미지에 적용될 때 향상 과정에 민감성과 불안정성을 초래할 수 있습니다. 결과적으로, 이는 향상된 이미지에서 색상 잡음(color artifacts)과 명암 잡음(brightness artifacts)이 발생하게 됩니다. 이러한 문제를 완화하기 위해, 우리는 새로운 학습 가능한 색 공간인 수평/수직-강도(Horizontal/Vertical-Intensity, HVI)를 제안합니다. HVI는 RGB 채널로부터 명암과 색상을 분리하여 향상 과정 중의 불안정성을 완화시키는 동시에, 학습 가능한 매개변수 덕분에 다양한 조명 범위의 저조도 이미지에 적응할 수 있습니다.또한, 우리는 HVI 공간에서 분리된 이미지 명암과 색상을 처리하기 위한 두 개의 브랜치가 있는 새로운 색상 및 명암 분리망(Color and Intensity Decoupling Network, CIDNet)을 설계하였습니다. CIDNet 내에서는 경량 크로스 어텐션(Lightweight Cross-Attention, LCA) 모듈을 도입하여 두 브랜치 모두에서 이미지 구조와 내용 정보 간의 상호 작용을 촉진하고, 동시에 저조도 이미지에서 발생하는 노이즈를 억제합니다. 마지막으로, 11개 데이터셋에서 22개의 정량적 및 정성적 실험을 수행하여 제안된 CIDNet이 최신 기술(state-of-the-art methods)보다 우수한 성능을 보임을 입증하였습니다. 코드는 https://github.com/Fediory/HVI-CIDNet 에서 확인할 수 있습니다.