페어드 저조도 이미지 인스턴스로부터 간단한 저조도 이미지 향상 기법 학습하기

저조도 이미지 강화(Low-light Image Enhancement, LIE)는 저조도 환경에서 촬영된 이미지의 대비를 향상시키고 세부 정보를 복원하는 것을 목표로 한다. 기존의 대부분의 LIE 알고리즘은 단일 입력 이미지를 이용하여 수작업으로 설계된 여러 사전 지식(priors)을 통해 조명을 조정한다. 그러나 이러한 접근 방식은 단일 이미지 내에 제한된 정보와 수작업 사전 지식의 낮은 적응성으로 인해 이미지의 세부 정보를 효과적으로 복원하지 못하는 경우가 많다. 이를 해결하기 위해 우리는 저조도 이미지 쌍을 이용해 적응형 사전 지식을 학습하는 비지도 학습 기반의 PairLIE를 제안한다. 먼저, 두 입력 이미지가 동일한 이미지 콘텐츠를 공유하므로 네트워크가 동일한 클리어 이미지를 생성하도록 설계한다. 이를 달성하기 위해 Retinex 이론을 도입하여 두 반사율 성분(reflectance components)이 일치하도록 제약한다. 둘째, Retinex 분해를 보조하기 위해 간단한 자기지도(self-supervised) 메커니즘을 도입하여 원시 이미지에서 부적절한 특징을 제거한다. 공개 데이터셋을 대상으로 수행한 광범위한 실험 결과, 제안하는 PairLIE는 더 간단한 네트워크 구조와 적은 수의 수작업 사전 지식을 사용함에도 불구하고 최신 기술 대비 경쟁 가능한 성능을 달성함을 입증하였다. 코드는 다음 링크에서 제공된다: https://github.com/zhenqifu/PairLIE.