# Consist-Retinex: One-Step Noise-Emphasized Consistency Training Accelerates High-Quality Retinex Enhancement

### 저자

Jian Xu, Wei Chen, Shigui Li, Delu Zeng, John Paisley, Qibin Zhao

### 💡 개요

본 논문은 저조도 이미지 복원 분야에서 생성 모델의 빠른 배포를 위해 Consist-Retinex라는 새로운 원스텝 복원 방법을 제안합니다. 기존 Retinex 기반 방법의 불안정성을 극복하기 위해, Retinex Transformer Decomposition Network(TDN)를 통해 반사율과 조명 지도를 분리하고, Retinex를 고려한 이중 목적 함수와 노이즈 강조 고정점 샘플링을 활용한 두 개의 조건부 일관성 모델을 학습합니다. 이를 통해 빠른 추론 속도와 뛰어난 이미지 복원 성능을 달성했습니다.

### 🔑 시사점 및 한계

- **빠르고 효율적인 저조도 이미지 복원:** Consist-Retinex는 원스텝 추론을 통해 기존 반복 샘플링 기반 방법 대비 훨씬 빠른 속도를 제공하며, 특히 실시간 또는 엄격한 지연 시간 제약이 있는 환경에서 유용합니다.

- **Retinex 기반 방법의 안정성 및 성능 향상:** Retinex 분해와 일관성 모델 학습을 결합하고, 특히 고노이즈 구간에 대한 감독을 강화함으로써 기존의 불안정성을 해결하고 높은 품질의 복원 결과를 얻었습니다.

- **이론적 근거 제공:** 엔드포인트 오류 경계, 앵커링-전파 결과, 고노이즈 샘플 할당 분석을 통해 엔드포인트 감독과 시간적 일관성이 원스텝 Retinex 복원에 상호 보완적임을 이론적으로 설명합니다.

- **향후 과제:** 논문에서 제시된 성능은 특정 벤치마크 데이터셋에 대한 것이므로, 다양한 실제 환경의 복잡한 저조도 이미지에 대한 일반화 성능 검증이 필요할 수 있습니다. 또한, 학습 과정에서의 추가적인 최적화 가능성을 탐색해 볼 수 있습니다.

---

[PDF 보기](https://arxiv.org/pdf/2512.08982)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).