IK Lab, ACCV 2024에서 혁신적인 연구 발표

IK Lab은 ACCV(Asian Conference on Computer Vision) 2024에 참가하여 ‘저조도 이미지 향상을 위한 TriFuse를 사용한 LoLI-Street Benchmark’라는 연구 논문을 발표하게 된 것을 기쁘게 생각합니다. 이 프레젠테이션에서는 다양한 컴퓨터 비전 애플리케이션, 특히 자율 주행 및 감시 시스템에 중요한 저조도 이미지 향상(LLIE)의 중요한 발전을 강조합니다.

추상적인:

저조도 이미지 향상(LLIE)은 객체 감지, 추적, 분할, 장면 이해를 포함한 다양한 컴퓨터 비전 작업에 필수적입니다. 노출 부족 조건에서 캡처된 저품질 이미지를 개선하기 위한 상당한 연구에도 불구하고, 저조도 시나리오로 인해 종종 어려움을 겪는 자율주행차에는 선명한 시야가 여전히 중요하므로 지속적인 연구가 필요합니다. 그러나 LLIE 모델과 LLIE 쌍 데이터 세트는 특히 거리 장면의 경우 부족하여 강력한 LLIE 방법의 개발을 제한합니다. 고급 변압기 및/또는 확산 기반 모델을 사용함에도 불구하고 현재의 LLIE 방법은 실제 저조도 조건에서 어려움을 겪고 거리 장면 데이터 세트에 대한 교육이 부족하여 자율 차량에 대한 효율성이 제한됩니다. 이러한 격차를 해소하기 위해 우리는 개발된 도시의 거리 장면에서 가져온 33k 쌍의 저조도 이미지와 잘 노출된 이미지를 포함하는 새로운 대규모 데이터세트 “LoLI-Street”(Low-Light Images of Streets)를 소개합니다. LoLI-Street 데이터 세트에는 1,000개의 실제 저조도 테스트 이미지가 포함되어 있어 실제 조건에서 모델을 평가하기 위한 벤치마크를 제공합니다. 또한 “TriFuse”라는 변압기 및 확산 기반 LLIE 모델을 제안합니다. LoLI-Street 데이터 세트를 활용하여 TriFuse 및 기타 SOTA 모델을 훈련하고 평가하여 데이터 세트를 벤치마킹합니다. 다양한 모델을 비교하면 일반화를 위한 데이터 세트의 타당성은 자율 주행 및 감시 시스템의 실제 적용을 위해 저품질 이미지 및 객체 감지를 크게 향상시켜 다양한 주류 데이터 세트에 대한 테스트에서 분명해집니다. 재현성을 보장하기 위해 벤치마크 데이터 세트와 평가 코드가 공개됩니다.

수치: LoLI-Street 데이터 세트의 실제 저조도 테스트 이미지 샘플을 사용하여 TriFuse 방법과 SOTA 모델을 비교합니다. (a) 정성적 비교: 시각적으로 pairLIE와 RQ-LLIE는 더 밝은 출력을 생성하지만 현실감이 부족합니다. 이와 대조적으로 TriFuse는 사실적인 향상을 통해 높은 시각적 품질을 보장합니다. (b) 비참조 지표 BRISQUE(↓) 및 추론 시간(↓)을 기반으로 한 정량적 비교.

IK Lab은 ACCV 2024의 모든 참석자를 초대하여 프레젠테이션을 살펴보고 LoLI-Street 데이터 세트와 TriFuse 모델이 실제 응용 프로그램에서 저조도 이미지 처리 기능을 크게 향상시킬 수 있는 방법을 알아봅니다.

자세한 내용은 공식 사이트를 방문하거나 ihlee@iklab.ai으로 문의하거나 ICPR 2024 장소에서 만나보세요.