저조도 영상 향상을 위한 다중 스케일 전치 Self-Attention 기반 Transformer 뉴럴 네트워크 = A Transformer Neural Network with Multi-Scale Transposed SelfAttention for Low-Light Image Enhancement

국문 초록 (Abstract)

저조도 이미지 향상은 어두운 환경에서 촬영된 영상의 시각적 품질과 가시성을 개선하는 것을 목표로 한다. 딥러닝 기술의 급속한 발전과 함께, CNN 및 Transformer 기반의 U자형 구조는 저조도 영상 향상을 위해 널리 활용되며, 식별력 있는 특징을 추출하는 데 효과적으로 사용되고 있다. 그러나 이러한 구조의 효율성에도 불구하고, 대부분의 기존 접근법은 단일 해상도에 제한된 Self-Attention 또는 컨볼루션 연산에 주로 의존한다. 이러한 스케일 간 상호작용의 부족은 장거리 전역 문맥과 세밀한 국소 정보를 효과적으로 포착하는 능력을 제한한다. 이러한 한계를 극복하기 위해, 본 석사 학위 논문에서는 Multi-Scale Transposed Self-Attention (MSTSA)과 Multi-Input SingleOutput (MISO) 전략을 통합한 Multi-Scale Transposed Self-Attention UShaped Transformer Neural Network (MSTSA-UTNet)을 제안한다. 제안된 모델은 고해상도와 저해상도 특징 간의 상호작용을 촉진하여 다중 스케일 특징 학습을 강화한다. 또한 Prior-Guided Shallow Feature Extraction (PGSFE) 모듈을 통해 조명 사전 정보를 활용하여 저수준 특징을 보존하고 조명 불균형 문제를 완화한다. 마지막으로, Multi-Scale Feed-Forward Network (MSFFN)를 통해 전역 문맥과 지역 구조 정보를 선택적으로 융합하여 정밀하고 자연스러운 복원을 달성한다. 실험 결과, MSTSA-UTNet은 LOL-v1 데이터셋에서 SMNet 대비 PSNR을 0.59 dB 향상되는 성능을 보였다.