기존의 이미지 강화 기법은 입력 이미지의 과노출 또는 과소노출 문제 중 하나를 해결하도록 설계되는 경우가 대부분이다. 그러나 입력 이미지의 조명 조건에서 과노출과 과소노출이 동시에 존재할 경우, 이러한 기존 기법들은 성능이 저하될 수 있다. 우리는 이미지 통계 분석을 통해, 과노출과 과소노출이 동시에 발생한 이미지의 국소 색상 분포(Local Color Distributions, LCDs)가 지역별로 조명 조건에 따라 달라진다는 점을 관찰하였다. 이 관찰을 바탕으로 본 논문에서는 이러한 LCDs를 사전 지식(prior)으로 활용하여 과노출 및 과소노출 영역을 탐지하고 강화하는 방법을 제안한다. 먼저, LCDs를 이용하여 이러한 영역을 표현하고, 다양한 스케일에서 LCDs를 모델링할 수 있도록 다중 스케일의 국소 색상 분포 임베딩(LCDE) 모듈을 제안한다. 이 모듈은 서로 다른 영역 간의 상관관계를 효과적으로 포착할 수 있도록 설계되었다. 둘째, 두 가지 유형의 영역을 동시에 강화하기 위해 이중 조명 학습 메커니즘(dual-illumination learning mechanism)을 제안한다. 셋째, 원시(raw) 데이터에서 과소노출과 과노출이 동시에 존재하는 표준 RGB 이미지를 렌더링하기 위해 카메라 이미지 신호 처리(ISP) 파이프라인을 따르는 새로운 데이터셋을 구축하였다. 광범위한 실험을 통해 제안한 방법이 기존 최첨단 기법들에 비해 정량적·정성적으로 모두 우수한 성능을 보임을 입증하였다. 코드와 데이터셋은 https://hywang99.github.io/lcdpnet/ 에서 확인할 수 있다.