조명 개선을 넘어: 조건부 상호 정보 기반 신경망을 이용한 저조도 이미지 향상

Beyond Illumination: A Conditional Mutual Information-Guided Network for Low-Light Image Enhancement

저조도 이미지 향상(LLIE)은 부족한 조명 환경에서 촬영된 이미지로부터 구조적 정확성, 자연스러운 색 재현, 그리고 적절한 노출을 복원하는 것을 목표로 합니다. 최근의 최첨단 방법들, 예를 들어 CIDNet은 HVI 색 공간 내에서 분리된 색상(HV) 브랜치와 밝기(I) 브랜치를 포함하는 이중 브랜치 아키텍처를 사용하여 색상 정보와 명암 정보를 개별적으로 모델링합니다. 그러나 이러한 방법들은 명암 성분과 색상 성분 간의 상호 작용을 간과하여, 표현 능력을 제한하고 최적 이하의 향상 성능을 초래합니다. 이러한 한계를 극복하기 위해, 우리는 조건부 상호 정보 기반 신경망(CMIG-Net)을 제안합니다. CMIG-Net은 조건부 상호 정보를 원칙적인 지표로 활용하여, 사용 가능한 명암 정보에 따라 색상 특징이 기여하는 정도를 정량적으로 평가합니다. 특히, 우리는 조건부 정보 맵을 생성하여 지역 조명 통계에 따른 색상 표현의 영역별 재조정을 가능하게 하는 조건부 상호 정보 보정(CMIC) 모듈을 설계했습니다. 또한, 우리는 명암 브랜치 간의 양방향 정보 흐름을 적응적으로 제어하는 동적 이중 브랜치 정보 복원(D2IR) 모듈을 도입합니다. D2IR 모듈은 조건부 사전 정보와 즉각적인 복원 상태를 모두 활용하여 정보를 전달합니다. 쌍으로 이루어진 저조도 이미지 향상 벤치마크에 대한 광범위한 실험 결과, CMIG-Net이 CIDNet보다 일관되게 우수한 성능을 보임을 확인했으며, 특히 어려운 Sony-Total-Dark 데이터셋에서 최대 0.619 dB의 PSNR 향상을 달성했습니다.

Low-light image enhancement (LLIE) seeks to restore structural fidelity, natural color rendition, and proper exposure from images captured under inadequate lighting conditions. Recent state-of-the-art approaches, such as CIDNet, adopt a dual-branch architecture comprising a chrominance (HV) branch and an intensity (I) branch to separately model decoupled chromatic and luminance information within the HVI color space. However, these methods overlook the mutual interaction between intensity and chrominance components, which inherently limits their representational capacity and leads to suboptimal enhancement performance. To address this limitation, we propose the Conditional Mutual Information-Guided Network (CMIG-Net), which leverages conditional mutual information as a principled metric to quantitatively assess the contribution of chrominance features conditioned on the available intensity information. In particular, we design a Conditional Mutual Information Calibration (CMIC) module that generates a conditional information map, enabling region-adaptive recalibration of chrominance representations according to local illumination statistics. Furthermore, we introduce a Dynamic Dual-branch Information Restoration (D2IR) module, which adaptively governs bidirectional information flow between the intensity and chrominance branches, guided by both the conditional prior and the instantaneous restoration state. Extensive experiments on paired LLIE benchmarks demonstrate that CMIG-Net consistently outperforms CIDNet, achieving up to a 0.619 dB gain in PSNR, with a 0.382 dB improvement specifically on the challenging Sony-Total-Dark dataset.