Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Interpretable Unsupervised Joint Denoising and Enhancement for Real-World low-light Scenarios

Created by
  • Haebom
Category
Empty

저자

Huaqiu Li, Xiaowan Hu, Haoqian Wang

개요

실제 저조도 이미지는 국부적 과노출, 저휘도, 노이즈, 불균일한 조명과 같은 복잡한 열화 문제를 겪습니다. 지도 학습 방식은 특정 시나리오에 과적합되는 경향이 있고, 비지도 학습 방식은 일반화에는 더 낫지만 참조 이미지가 없어 이러한 열화를 모델링하는 데 어려움을 겪습니다. 본 논문에서는 실제 시나리오에 맞춘 해석 가능한 제로-레퍼런스 공동 잡음 제거 및 저조도 향상 프레임워크를 제안합니다. 물리적 이미징 원리와 레티넥스 이론에 기반하여 다양한 조명 및 노이즈 수준을 가진 쌍을 이룬 하위 이미지를 기반으로 하는 훈련 전략을 도출합니다. 또한, sRGB 공간에서 이산 코사인 변환(DCT)을 활용하여 주파수 영역 분해를 수행하고, 복잡한 복합 열화를 효과적으로 분리하는 암시적 안내 하이브리드 표현 전략을 도입합니다. 백본 네트워크 설계에서 암시적 열화 표현 메커니즘에 의해 안내되는 망막 분해 네트워크를 개발했습니다. 광범위한 실험을 통해 제안된 방법의 우수성을 보여줍니다. 코드는 https://github.com/huaqlili/unsupervised-light-enhance-ICLR2025 에서 제공될 예정입니다.

시사점, 한계점

•
시사점:
◦
실제 저조도 이미지의 복잡한 열화 문제를 효과적으로 해결하는 새로운 프레임워크 제시.
◦
물리적 이미징 원리와 레티넥스 이론을 기반으로 한 해석 가능하고 일반화 성능이 우수한 방법 제시.
◦
암시적 안내 하이브리드 표현 전략을 통해 복합 열화를 효과적으로 분리.
◦
광범위한 실험을 통해 성능 우수성 검증.
•
한계점:
◦
제안된 방법의 한계점에 대한 구체적인 언급이 논문에 부족.
◦
실제 저조도 이미지 열화의 모든 종류를 완벽히 처리하는지에 대한 추가적인 검증 필요.
◦
코드 공개 이후 실제 성능 및 확장성에 대한 추가적인 평가 필요.
👍
Made with Slashpage