GLARE: 생성적 잠재 특징 기반 코드북 검색을 통한 저조도 이미지 향상

대부분의 기존 저조도 이미지 향상(Low-light Image Enhancement, LLIE) 방법은 저조도(Low-Light, LL) 이미지를 정상 조도(Normal-Light, NL) 이미지로 직접 매핑하거나 의미론적 또는 조명 맵을 가이드로 사용합니다. 그러나 LLIE의 불안정한 특성과 손상된 입력에서 의미론적 정보를 추출하는 어려움으로 인해 이러한 방법들은 특히 극단적으로 저조도 환경에서 제한됩니다. 이 문제를 해결하기 위해 우리는 생성 잠재 특징 기반 코드북 검색(Generative LAtent feature based codebook REtrieval, GLARE)을 통해 새로운 LLIE 네트워크를 제시합니다. 여기서 코드북 사전은 벡터 양자화(Vector Quantization, VQ) 전략을 사용하여 손상되지 않은 NL 이미지에서 유도됩니다. 더욱 중요한 점은, 생성 가능한 역잠재 정규화 흐름(Invertible Latent Normalizing Flow, I-LNF) 모듈을 개발하여 LL 특징 분포를 NL 잠재 표현에 맞추어 코드북에서 올바른 코드 검색을 보장합니다. 또한, 사용자에게 조절 가능한 기능을 제공하며 코드북 사전이 제공하는 실제 세부 정보를 유지하면서 충실성을 더욱 높이는 새로운 적응형 특징 변환(Adaptive Feature Transformation, AFT) 모듈이 설계되었습니다. 이 모듈은 적응형 믹스업 블록(Adaptive Mix-up Block, AMB)과 듀얼 디코더 구조로 구성되어 있습니다. 광범위한 실험 결과는 다양한 벤치마크 데이터셋과 실제 데이터에서 GLARE의 우수한 성능을 확인해주며, 저조도 객체 탐지 작업의 전처리 도구로서의 효과성은 고급 시각 응용 프로그램에 대한 GLARE의 유효성을 추가로 입증합니다. 코드는 https://github.com/LowLevelAI/GLARE 에서 공개되었습니다.