저조도 이미지 향상을 위한 2D 가우시안 스플래팅 기반 제로샷 프레임워크

초록

LL‑GaussianMap은 2D Gaussian Splatting(2DGS)을 명시적 구조 표현으로 활용해 저조도 이미지의 밝기와 대비를 개선한다. 입력 이미지를 고밀도 가우시안 프리미티브 집합으로 재구성한 뒤, 사전 학습된 조명 변환 사전의 계수를 가우시안 래스터화 과정에서 렌더링해 연속적인 게인 맵을 생성한다. 이 게인 맵을 픽셀별로 곱해 최종 이미지를 얻으며, 페어링된 학습 데이터 없이 제로샷·비지도 방식으로 학습한다. 실험 결과, 기존 비지도·감독 방식보다 뛰어난 시각 품질과 가장자리 보존, 저용량 저장 효율을 보인다.

상세 분석

LL‑GaussianMap은 저조도 이미지 향상 문제를 “게인 맵 생성”이라는 새로운 관점으로 재정의한다. 기존의 대부분 방법은 픽셀 그리드 상에서 직접 변환을 학습하거나, 암묵적인 특징 임베딩을 이용해 전역적인 매핑을 수행한다. 이러한 접근은 이미지가 갖는 연속적인 기하 구조, 특히 가장자리와 텍스처와 같은 고주파 정보를 충분히 활용하지 못한다. 본 논문은 2D Gaussian Splatting(2DGS)을 이용해 이미지 자체를 명시적인 가우시안 원시 집합으로 표현한다. 각 가우시안 프리미티브는 위치, 공분산, 불투명도, 색상 파라미터를 포함하며, 타일 기반 래스터화로 실시간에 가까운 고품질 재구성을 가능하게 한다.

첫 번째 단계에서는 저조도 입력을 2DGS로 최적화해 고충실도 구조 복원을 수행한다. 이 과정에서 이미지의 기하적 형태와 경계가 정확히 캡처되며, 이후 단계에서 가우시안 프리미티브는 “공간 앵커” 역할을 한다. 두 번째 단계는 데이터‑드리븐 방식으로 구축된 조명 변환 사전(dictionary)을 도입한다. 사전은 다양한 조명 조건을 반영한 원자(atom)들의 집합이며, 각 가우시안 프리미티브마다 사전 원자를 가중합하는 계수를 경량 네트워크가 예측한다. 예측된 계수는 2DGS의 래스터화 파이프라인을 통해 연속적인 게인 맵으로 렌더링된다. 이 게인 맵은 픽셀 단위 곱셈으로 입력 이미지에 적용돼 밝기·대비·노이즈 억제를 동시에 달성한다.

핵심 기술적 기여는 다음과 같다. 첫째, 2DGS의 명시적 구조 표현을 게인 맵 생성에 직접 연결함으로써 가장자리 보존과 아티팩트 억제를 자연스럽게 달성한다. 둘째, 사전 기반 계수 예측과 가우시안 래스터화를 결합한 “통합 강화 모듈”을 설계해, 구조‑인식 강화와 연산 효율성을 동시에 확보한다. 셋째, 제로샷 비지도 학습 프레임워크를 도입해 페어링된 저조도·고조도 이미지 쌍이 필요 없는 학습 파이프라인을 구현한다. 실험에서는 여러 공개 베치마크(LIVE, LOL, SID 등)에서 PSNR/SSIM 등 정량 지표와 주관적 시각 품질 모두에서 최신 비지도 및 감독 기반 방법들을 앞선다. 또한 가우시안 파라미터와 사전 계수만 저장하면 되므로 모델 크기가 수십 메가바이트 수준으로 크게 감소한다.

이러한 설계는 저조도 이미지 향상뿐 아니라, 구조‑인식이 중요한 다른 저수준 비전 과제(예: 디노이징, 초해상)에도 확장 가능성을 시사한다. 특히 2DGS가 제공하는 연속적인 미분 가능성은 향후 물리‑기반 손실 함수와 결합해 더욱 해석 가능한 강화 모델을 만들 수 있는 기반이 된다.