다중 스케일 공간 적응형 피그먼트 표현을 이용한 이미지 개선 방법 = Image Enhancement via Multi-Scale Spatially Adaptive Pigment Representation

다국어 초록 (Multilingual Abstract)

This thesis proposes an image enhancement method based on a U-Net-assisted spatially adaptive pigment representation. Traditional enhancement methods are generally categorized into global adjustment and local adjustment. Global approaches are advantageous in maintaining overall color consistency but often fail to preserve fine details, whereas local approaches excel in detail recovery but struggle to ensure stable global color balance. To overcome this trade-off, we introduce a novel approach that leverages the physically interpretable pigment representation while incorporating multi-scale contextual features extracted by a U-Net-based local feature extractor.
The results demonstrate that the proposed method outperforms existing techniques in terms of quantitative metrics including PSNR, SSIM, and , while also producing qualitatively more natural and visually consistent results. Notably, the approach successfully suppresses color distortion and detail loss under challenging imaging conditions.
The contributions of this work can be summarized as follows: (1) extending the physically interpretable pigment representation into a spatially adaptive form that simultaneously addresses global color stability and local detail preservation requirements, and (2) incorporating a U-Net-based local feature extractor to effectively integrate spatial context into the pigment transformation process, achieving 0.15 dB improvement in PSNR and 0.12 reduction in compared to the baseline method.

국문 초록 (Abstract)

본 논문에서는 U-Net 기반의 공간 적응형 피그먼트 표현을 이용한 이미지 개선 방법을 제안한다. 기존의 이미지 개선 방법은 크게 두 가지로 전역적 접근은 색 안정성에는 유리하지만 디테일 및 텍스쳐 복원에 취약하고, 지역적 접근은 디테일 보존에는 강점을 가지지만 전역적 색 안정성이 부족하다는 상충 관계가 존재한다. 이러한 문제를 해결하기 위해 물리적 해석 가능성이 높은 피그먼트 표현을 기반으로 하되, U-Net 구조의 지역 특징 추출기를 결합하여 공간적 맥락 정보를 반영하는 새로운 접근을 제안한다.

그 결과, 제안 방법은 PSNR, SSIM, 등 주요 정량적 지표에서 기존 방법보다 우수하거나 경쟁력 있는 성능을 기록하였으며, 정성적 평가에서도 더 자연스럽고 안정적인 색 보정 결과를 보였다. 특히, 다양한 열화 조건에서도 색 왜곡과 디테일 손실을 효과적으로 억제함을 확인하였다.

본 연구의 기여는 다음과 같이 요약할 수 있다. 첫째, 물리적 해석 가능성이 있는 중간 표현인 피그먼트를 공간 적응적으로 확장하여 기존 전역적·지역적 접근의 한계를 동시에 극복하였다. 둘째, 학습 기반 구조에 지역 맥락 정보를 효과적으로 반영할 수 있는 U-Net 기반 모듈을 결합함으로써 기반 연구 대비 PSNR 0.15 dB 향상 및 0.12 감소를 달성하는 실질적 성능 개선을 이루었다.

목차 (Table of Contents)

• 1. 서론 1
• 1.1. 연구 배경 1
• 1.1.1. 이미지 개선의 응용 분야와 중요성 2
• 1.1.2. 전처리로서의 이미지 개선의 요구사항 4
• 1.2. 연구 동기 6
• 1.2.1. 기존 이미지 개선 방법의 상충 관계(trade-off) 6
• 1.2.2. 새로운 접근의 필요성 7
• 1.3. 연구의 목적 9
• 2. 관련 연구 10
• 2.1. 지역적 이미지 개선 방법 10
• 2.1.1. CNN 기반 방법의 발전 10
• 2.1.2. U-Net과 다중 스케일 아키텍처 11
• 2.1.3. 지역적 접근의 장점과 한계 13
• 2.2. 전역적 이미지 개선 방법 14
• 2.2.1. 전통적 전역 보정 기법 14
• 2.2.2. 학습 기반 LUT 방법의 발전 15
• 2.2.3. 전역적 접근의 장점과 한계 17
• 2.3. 피그먼트 표현 기반 방법 18
• 2.3.1. 피그먼트 표현의 전체 구조 19
• 2.3.2. 피그먼트 표현의 장점과 한계 21
• 2.4. 본 연구의 접근 22
• 3. 데이터셋 23
• 3.1 MIT-Adobe FiveK 데이터셋 개요 23
• 3.1.1. 데이터셋의 구성 23
• 3.1.2. 본 연구에 대한 적합성 24
• 3.2 데이터 전처리 26
• 3.2.1 해상도 조정 26
• 3.2.2 학습 데이터 증강 26
• 3.2.3 테스트 데이터 처리 27
• 3.3 데이터 분할 28
• 4. 공간 적응형 피그먼트 표현 29
• 4.1. 모델 아키텍쳐 29
• 4.2. 시각 인코더 31
• 4.3. 지역 특징 추출기 33
• 4.4. 공간 적응형 피그먼트 재투영 35
• 4.5. 재투영 전후 공간 정보의 반영 38
• 4.6. 모델 학습 41
• 5. 실험 및 결과 43
• 5.1. 실험 환경 43
• 5.2. 성능 평가 지표 44
• 5.3. 정량적 결과 46
• 5.4. 정성적 결과 48
• 6. 토의 및 결론 49
• 참고문헌 51