어두운 환경에서 찍힌 사진은 단순히 밝기만 낮은 경우보다, 장면마다 다른 동적 범위 차이까지 함께 겪는다. 오사카대와 간사이대 연구진이 제안한 WREN은 이런 저조도 영상 향상 문제를 레티넥스 이론의 분해 원리에 맞춰 다시 구성한 신경망이다. 이 논문은 동료검토 전 arXiv 프리프린트 상태이며, 저조도 영상에서 반사도와 조명도를 따로 다루는 구조로 안정성을 노린다.
핵심은 두 개의 U-Net 유사 서브네트워크를 직렬로 놓은 점이다. 첫 번째 네트워크는 입력 영상을 반사 맵과 조명 맵으로 분해하고, 두 번째 네트워크는 첫 단계에서 얻은 조명 맵만 향상한다. 이후 향상된 조명 맵을 반사 맵과 다시 결합해 결과 영상을 만든다. 연구진은 이 흐름이 레티넥스 이론의 가정, 즉 반사 맵을 유지한 채 조명만 보정하는 방식에 가깝다고 설명한다.
문제의 출발점도 분명하다. 기존 레티넥스 기반 저조도 향상법은 분해가 유일하지 않아 안정적으로 분해하기 어렵고, 그 결과 과도한 향상이나 지나친 평활화가 나타날 수 있다고 본다. WREN은 첫 단계의 분해와 두 번째 단계의 보정을 분리하되, 두 번째 단계에 맞춤형 Transformer 블록과 attention, trainable guided filter를 넣어 조명 맵의 잡음을 다룬다. 또 스케일 불변 손실을 써서 조명 스케일 변화에 덜 민감하도록 설계했다.
실험은 LOLv1, SICE, LIEQ, NTIRE 2024, MIT-Adobe FiveK의 다섯 데이터셋을 사용했다. WREN은 LOLv1로 학습했고, SICE Part 1, LIEQ, 그리고 LOLv1·NTIRE 2024·FiveK의 검증 분할을 테스트로 삼았다. 성능은 PSNR, SSIM, LPIPS, MAE 네 지표의 평균으로 비교했으며, 표 2에서 WREN은 ReDDiT보다 PSNR 18.222 dB, LPIPS 0.302를 기록했다. 같은 표에서 ReDDiT는 PSNR 17.315 dB, LPIPS 0.425였다.
또한 WREN의 SSIM은 0.814, MAE는 0.118로 제시됐고, 비교군 가운데 일부는 SSIM이 0.5 미만으로 나타났다. 연구진은 이를 데이터셋별 동적 범위 변화에 대한 민감성의 신호로 해석한다. 훈련 설정은 배치 크기 4, 에폭 400, AdamW 최적화, 학습률 3×10^-4, OneCycleLR 스케줄러로 표 1에 정리됐다. 코드가 공개돼 있다고 밝혔지만, 본문에 제시된 수치와 범위는 모두 다섯 데이터셋의 평균 결과와 내부 실험 설정에 한정된다.
| 구성 요소 | 원문에 나온 역할 | 근거 위치 |
|---|---|---|
| U1 첫 번째 U-Net 유사 네트워크 | 입력 영상을 반사 맵 R과 조명 맵 Llow로 분해 | p.3 | 원문 발췌 (The two decoders respectively output the reflectance map R … and the illumination map Llow … as (R, Llow) = U1(Ilow).) |
| U2 두 번째 U-Net 유사 네트워크 | U1에서 얻은 조명 맵만 향상하고 최종적으로 조명 맵을 재구성 | p.3 | 원문 발췌 (The illumination map Llow is only performed the refinement by U2 … Lnormal = … ) |
| 학습·손실 | 분해 손실 Ldecomp와 향상 손실 Lenh를 결합해 end-to-end 학습 | p.4 | 원문 발췌 (We train (2) and (3) end-to-end by simply combining (8) and (12).) |
| 실험 범위 | LOLv1, SICE, LIEQ, NTIRE 2024, MIT-Adobe FiveK에서 평가 | p.4 | 원문 발췌 (We use five datasets: LOLv1, SICE, LIEQ, NTIRE 2024, and MIT-Adobe FiveK.) |
자료: STORIUM 정리
이 작업의 의미는 저조도 향상에서 “밝게 만드는 것”보다 “어떤 부분을 밝히고 무엇을 보존할 것인가”를 구조적으로 나눴다는 데 있다. 본문이 제시하는 근거는 다중 데이터셋에서의 수치 비교와 모델 구조 설명까지이며, 실제 현장 적용이나 하위 과제 성능은 따로 검증되지 않았다.
저작권자 © STORIUM 무단전재 및 재배포 금지
