Efficient Diffusion as Low Light Enhancer
Created by
- Haebom
Category
Empty
저자
Guanzhou Lan, Qianli Ma, Yuqi Yang, Zhigang Wang, Dong Wang, Xuelong Li, Bin Zhao
개요
본 논문은 저조도 이미지 향상(LLIE)에서 확산 기반 방법의 반복적 샘플링 과정의 높은 계산 비용 문제를 해결하기 위해, 성능 저하의 주요 원인인 fitting error와 inference gap을 분석하고 이를 완화하는 새로운 방법을 제시합니다. fitting error는 잘못된 score function을 선형 외삽하여 완화하고, inference gap은 Gaussian flow를 reflectance-aware residual space로 이동시켜 줄입니다. 이를 바탕으로, 이미지의 reflectance 성분을 이용하여 teacher trajectory를 개선하는 Reflectance-Aware Trajectory Refinement (RATR) 모듈을 설계하고, 효율적이고 유연한 증류 프레임워크인 ReDDiT (Reflectance-aware Diffusion with Distilled Trajectory)를 제안합니다. ReDDiT는 기존 확산 기반 방법들과 비교하여 2단계만으로도 유사한 성능을 달성하고, 8단계 또는 4단계에서는 새로운 최첨단(SOTA) 결과를 달성합니다. 10개의 벤치마크 데이터셋에 대한 실험 결과를 통해 제안된 방법의 효과를 검증합니다.
시사점, 한계점
•
시사점:
◦
저조도 이미지 향상에서 확산 모델의 계산 비용 문제를 효과적으로 해결하는 새로운 방법 제시.
◦
fitting error와 inference gap이라는 두 가지 주요 성능 저하 요인을 명확히 규명하고 해결책 제시.
◦
RATR 모듈과 ReDDiT 프레임워크를 통해 기존 SOTA 성능을 뛰어넘는 결과 달성.
◦
적은 단계(2, 4, 8단계)에서도 우수한 성능을 보임으로써 효율성을 증명.
•
한계점:
◦
제안된 방법의 일반화 성능에 대한 추가적인 연구가 필요할 수 있음.
◦
특정 유형의 저조도 이미지에 대해서는 성능이 다를 수 있음.
◦
다른 저조도 이미지 향상 기법과의 비교 분석이 더욱 심도 있게 이루어질 필요가 있음.
