저조도 영상 향상(Low-light image enhancement, LLIE)은 조명이 불량한 환경에서 촬영된 영상의 시각적 품질을 복원하는 것을 목표로 하며, 과노출, 노이즈, 낮은 대비와 같은 복합적 열화로 인해 여전히 어려운 과제로 남아 있다. 본 논문에서는 추정된 난이도에 따라 샘플 선택을 조절함으로써 효과적인 LLIE 모델 학습을 가능하게 하는 새로운 커리큘럼 학습 프레임워크를 제안한다. 핵심 아이디어는 내재적 분해(intrinsic decomposition)를 통해 얻는 잔차(residual) 신호가 색 번짐(color spill) 및 간접 조명(indirect lighting)과 같은 영상 특성을 포착하며, 이는 복원 난이도와 강하게 상관된다는 점이다. 우리는 이러한 잔차의 크기를 난이도의 대리 지표(proxy)로 사용하여, 더 쉬운 샘플부터 시작해 점차 더 어려운 샘플을 포함하는 커리큘럼 전략을 구현한다. 광범위한 실험 결과, 제안 방법은 다양한 LLIE 기준(baseline) 모델과 데이터셋 전반에서 일관되게 성능을 향상시키는 것으로 나타났다. 모델에 비의존적(model-agnostic)이며 플러그 앤 플레이(plug-and-play) 방식인 본 방법은 추가 주석 또는 아키텍처 수정 없이도 커리큘럼 학습을 통해 의미 있는 성능 향상을 제공한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.