본 논문은 저조도 이미지 향상을 위한 새로운 접근 방식으로, 물리적으로 정보를 제공하는 사전 지식을 기반으로 이미지를 분해하는 방법을 제시합니다. 기존의 sRGB 색 공간에서 저조도 이미지를 일반 조명 이미지로 직접 매핑하는 방법들은 색 예측의 불일치와 분광 분포(SPD) 변화에 대한 높은 민감도로 인해 다양한 조명 조건에서 성능이 불안정하다는 한계를 가지고 있습니다. 이를 해결하기 위해, 본 논문에서는 제안된 색상 인식 변환(CAT)을 통해 저조도 이미지를 sRGB 색 공간에서 심층 조명 불변 기술자로 변환하는 학습 기반 프레임워크인 물리적 정보 기반 색상 인식 변환(PiCat)을 제시합니다. 이 변환은 복잡한 조명 및 SPD 변화를 강력하게 처리할 수 있도록 합니다. 또한, 콘텐츠-잡음 분해 네트워크(CNDN)를 제안하여 잡음 및 기타 왜곡을 완화함으로써 기술자 분포를 잘 조명된 조건에 더 잘 맞추고, 저조도 이미지의 콘텐츠 표현을 효과적으로 복원합니다. CAT와 CNDN은 함께 물리적 사전 지식 역할을 하여 저조도 영역에서 일반 조명 영역으로의 변환 과정을 안내합니다. 제안된 PiCat 프레임워크는 다섯 개의 벤치마크 데이터 세트에서 최첨단 방법보다 우수한 성능을 보여줍니다.
