RAW Flow: RGB에서 RAW로의 정밀한 이미지 복원을 위한 결정론적 잠재 흐름 매칭

초록

본 연구는 압축된 RGB 이미지에서 원본 카메라 센서 데이터인 RAW 이미지를 고품질로 복원하는 문제를 해결합니다. 기존 회귀 기반 방법의 한계를 극복하기 위해, 생성 모델의 관점에서 결정론적 잠재 흐름 매칭을 도입한 ‘RAW-Flow’ 프레임워크를 제안합니다. 교차 스케일 컨텍스트 가이던스와 이중 도메인 잠재 자동인코더를 결합하여 구조적 디테일과 색상 정보를 정확하게 복원하며, 실험을 통해 최신 기술을 능가하는 성능을 입증했습니다.

상세 분석

본 논문이 제안하는 ‘RAW-Flow’ 프레임워크의 기술적 혁신성은 RGB-to-RAW 복원 문제를 생성 모델링의 관점으로 전환한 데 있습니다. 핵심은 ‘결정론적 잠재 흐름 매칭(Deterministic Latent Flow Matching)‘입니다. 기존 확산 모델이 노이즈 제거 과정에서 불확실성을 내포하는 반면, 본 방법은 RGB 잠재 표현(Source)에서 RAW 잠재 표현(Target)으로의 이동 경로를 하나의 결정론적 벡터 장(Vector Field)으로 학습합니다. 이는 수식 z_t = t·z_1 + (1-t)·z_0 로 정의된 선형 보간 경로를 따라 최적 이동을 학습함으로써, 변환 과정의 불필요한 확률적 변동을 제거하고 안정적인 훈련을 가능하게 합니다.

두 번째 핵심 구성 요소는 ‘교차 스케일 컨텍스트 가이던스(Cross-scale Context Guidance)’ 모듈입니다. 잠재 공간에서의 흐름 학습만으로는 전역적 휘도(Luminance)와 색상 일관성을 보장하기 어렵다는 문제 인식에서 출발합니다. 따라서 입력 RGB 이미지로부터 추출한 다중 스케일의 특징을 흐름 예측 네트워크에 주입하여, 복원 과정이 원본 RGB의 전반적인 컨텍스트에 더 잘 부합하도록 유도합니다. 이는 특히 색상 편차(Color Deviation)와 같은 ill-posed 문제를 완화하는 데 기여합니다.

세 번째로, 프레임워크의 기반이 되는 ‘이중 도메인 잠재 자동인코더(Dual-domain Latent Autoencoder, DLAE)‘는 안정적인 잠재 표현 학습을 가능하게 합니다. RAW 도메인 자체의 복원 학습이 불안정하다는 점을 고려하여, RGB 인코더의 의미론적으로 풍부한 저수준 특징과 RAW 인코더의 특징을 정렬하는 손실 함수(Feature Alignment Loss)를 도입했습니다. 이를 통해 RAW 인코더는 RGB 도메인의 강력한 표현력을 간접적으로 흡수하면서도, RAW 고유의 선형성과 높은 비트 심도를 유지하는 잠재 공간을 형성할 수 있습니다.

종합적으로, RAW-Flow는 (1) 결정론적 흐름 매칭을 통한 정확한 변환 경로 학습, (2) 다중 스케일 RGB 컨텍스트를 활용한 흐름 예측 정교화, (3) 이중 도메인 특징 정렬을 통한 안정적 잠재 공간 구축이라는 세 가지 기술이 유기적으로 결합되어, 기존 회귀 또는 확산 모델 기반 방법이 해결하지 못한 디테일 일관성과 색상 정확도 문제를 효과적으로 해결합니다.