조도 인식 통계 양자화 기반 무감독 계층 학습으로 조명 강화

초록

본 논문은 저조도 이미지 향상을 위해 자연광의 조도 전이 현상이 파워‑법칙 분포를 따른다는 관찰에 기반하여, 조도 변화를 계층적 파워‑법칙 함수로 모델링하고 이를 확률적 샘플링과 확산 과정에 결합한 LASQ 프레임워크를 제안한다. 정상광 레퍼런스 없이도 무감독 학습이 가능하며, 레퍼런스가 있을 경우에도 기존 방법을 능가하는 성능을 보인다.

상세 분석

LASQ는 저조도와 정상광 이미지 사이의 조도 전이를 연속적인 물리 과정으로 재해석한다. 저자들은 대규모 자연 이미지에서 저조도 픽셀 강도가 무거운 꼬리를 가진 파워‑법칙 분포를 따름을 실증적으로 확인하고, 이를 “조도 변이(LV) 좌표계”에 매핑한다. 이 좌표계에서 각 픽셀 쌍 (I_L, I_N)을 2차원 점으로 표현함으로써, 저조도 강도와 정상광 강도 사이의 변환을 단일 함수가 아니라 여러 개의 파워‑법칙 곡선(계층적 라미네이트)으로 근사한다.

핵심 수식 (2)‑(4)는 파워‑법칙 함수 a·x^κ 로 조도 변화를 정의하고, 지역 조도 스칼라 G_P 를 통해 각 영역별 적응형 파라미터 α, β 를 계산한다. 여기서 β는 G_P 와 그 분산을 이용해 조도 대비를 조절하는 역할을 한다. 이렇게 정의된 조도 적응 연산자 γ_P 는 물리적으로 의미 있는 범위