본 연구는 CLIP 및 푸리에 변환 기반 다중 스케일 시각-언어 가이드 웨이블릿 확산 모델을 제안하여 저조도 이미지의 향상 성능과 시각적 품질을 크게 개선하였다.
이 논문은 저조도 이미지 향상을 위한 NTIRE 2024 챌린지의 제안된 솔루션과 결과를 검토한다. 이 챌린지의 목표는 다양한 저조도 조건에서 더 밝고 선명하며 시각적으로 매력적인 결과를 생성할 수 있는 효과적인 네트워크 설계 또는 솔루션을 발견하는 것이다.
저조도 이미지 향상을 위해 기존 색상 공간의 한계를 극복하고 새로운 HVI 색상 공간을 제안하며, 이를 활용한 CIDNet 모델을 통해 효과적으로 이미지의 밝기와 색상을 향상시킬 수 있다.
저조도 환경에서 발생하는 동적 잡음을 효과적으로 제거하고, 조명 맵을 학습하여 저조도 이미지의 화질을 향상시킨다.
레티넥스 이론과 딥러닝 프레임워크를 결합한 RetinexMamba 아키텍처를 제안하여 저조도 이미지 향상 성능을 향상시켰다.
본 연구는 대기 산란 모델을 주의 메커니즘으로 활용하고 감마 보정을 국부적으로 적용하여 저조도 이미지 향상 성능을 개선하였다.
저조도 이미지의 색상과 세부 사항을 복원하고 고수준 시각 작업의 성능을 향상시키기 위해 주파수 정보를 네트워크에 도입하는 DCT 기반 향상 트랜스포머 DEFormer를 제안합니다.
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.
본 논문에서는 합성곱 밀집 주의력 기반 네트워크(CDAN)를 소개하며, 이는 저조도 이미지에서 선명도, 색상, 디테일을 향상시키기 위해 오토인코더 기반 아키텍처, 합성곱 및 밀집 블록, 주의력 메커니즘, 스킵 연결을 통합하여 효율적인 정보 전파 및 특징 학습을 보장합니다.
본 논문에서는 저조도 환경에서 촬영된 이미지의 품질을 향상시키고 객체 감지 성능을 개선하기 위해 새로운 데이터셋인 LoLI-Street와 딥러닝 모델인 TriFuse를 제안합니다.