Abstract
normalizing flow model을 이용하여 저조도 이미지와 정상적으로 노출된 이미지간의 매핑 관계를 일대다 관계로 모델링 하는 것을 제안함
제조도 이미지/특징을 조건으로 해서 보편적인 이미지의 분포를 가우스 분포로 매핑하는 역함수 네트워크
Method
일반적으로 노출된 이미지의 복잡한 분포를 정규화 flow를 사용하여 모델링 하여 이미지의 조건부 확률 밀도 함수를 이렇게 표현함
이 논문의 framework는 두가지 구성요소로 이루어져있음
1. 저조도 이미지 x1를 입력으로 해서 조명 불변 컬러맵 g(x1)을 출력하는 인코더 g
2. 일반적으로 노출된 이미지를 latent code z로 매핑하는 역함수 네트워크
Encoder for illumination invariant color map
컬러맵을 생성하기 위해, 입력 이미지는 유용한 특징을 추출하기 위해 처리됨, 추출된 특징은 Residual-in-Residual Dense Blocks (RRDB)로 구축된 인코더의 입력의 일부로도 연결됨
Histogram equalized image
저조도 이미지의 전체적 대비를 증가시키기 위해 수행됨
a: 저조도 이미지에서 직접 추출된 컬러맵
b: 인코더 g에서 얻은 컬러맵
c: 참조 이미지 xref에서 직접 추출된 컬러맵
d: 참조 이미지 xref
Color Map
mean(x)는 RGB 채널 각각의 픽셀 평균 값
Noise Map
C(x1)의 잡음을 제거하기 위해 noise map이 추정되어 인코더로 전달된다
Invertible network
역함수 네트워크는 일대다 관계를 학습하는 것을 목표로 함
3단계로 구성되어 있고, 각 단계는 squeeze layer와 12개의 flow step들이 있음
AI 개발자