核心概念
본 연구는 저조도 이미지 향상을 위한 반지도 학습 기반 프레임워크인 Semi-LLIE를 제안한다. Semi-LLIE는 대조 학습과 Mamba 기반 이미지 향상 기법을 통해 자연스러운 색상과 풍부한 텍스처 정보를 가진 향상된 이미지를 생성한다.
要約
본 연구는 저조도 이미지 향상을 위한 반지도 학습 기반 프레임워크인 Semi-LLIE를 제안한다. Semi-LLIE는 다음과 같은 핵심 구성요소를 포함한다:
-
의미 인식 대조 손실 함수: 교사 모델의 조명 분포를 학생 모델에 효과적으로 전달하여 향상된 이미지의 자연스러운 색상을 보장한다.
-
Mamba 기반 저조도 이미지 향상 백본: 다중 스케일 국부 특징 학습 기법을 통해 향상된 이미지의 풍부한 텍스처 정보를 복원한다.
-
RAM 기반 지각 손실 함수: 강력한 텍스트 기반 비전 특징을 활용하여 향상된 이미지의 세부 텍스처를 개선한다.
실험 결과, Semi-LLIE는 기존 최신 방법들에 비해 정량적, 정성적 측면에서 모두 우수한 성능을 보였다. 특히 실제 저조도 환경에서 자연스러운 색상과 풍부한 텍스처를 가진 향상된 이미지를 생성할 수 있음을 확인하였다.
統計
저조도 환경에서 향상된 이미지는 기존 방법들에 비해 더 높은 대비와 시각적으로 편안한 텍스처를 보인다.
제안 방법은 기존 최신 감독 학습 방법 Retinexformer 대비 PSNR에서 0.37dB, SSIM에서 0.1968 향상되었다.
제안 방법은 기존 최신 비감독 학습 방법 NeRCo 대비 PSNR에서 0.73dB, SSIM에서 0.2480 향상되었다.
제안 방법은 기존 최신 반지도 학습 방법 DRBN 대비 PSNR에서 2.17dB, SSIM에서 0.2214 향상되었다.
引用
"본 연구는 저조도 이미지 향상을 위한 반지도 학습 기반 프레임워크인 Semi-LLIE를 제안한다."
"Semi-LLIE는 대조 학습과 Mamba 기반 이미지 향상 기법을 통해 자연스러운 색상과 풍부한 텍스처 정보를 가진 향상된 이미지를 생성한다."