UBLLIE: 통합 백라이트 및 저조도 이미지 품질 향상

UBLLIE: Unified Backlight and Low-Light Image Enhancement

백라이트 및 저조도 이미지는 종종 심각한 노출 불균형 또는 전반적인 과소노출 문제를 겪으며, 이는 시각적 인식뿐만 아니라 후속 컴퓨터 비전 작업에도 상당한 어려움을 야기합니다. 본 논문에서는 쌍을 이루는 기준 데이터 없이 백라이트 및 저조도 이미지의 두 가지 유형의 왜곡을 모두 해결하는 통일되고 비지도 학습 기반 품질 향상 프레임워크를 제안합니다. 저희 접근 방식은 CLIP(Contrastive Language-Image Pre-training) 기반 프롬프트 학습을 활용하여, 학습된 긍정적 및 부정적 텍스트 프롬프트를 사용하여 의미론적으로 품질 향상을 감독합니다. 기존 연구의 개선 사항 품질을 높이기 위해 대칭 잔차 U-Net 백본에 아트러스 공간 피라미드 풀링(Atrous Spatial Pyramid Pooling) 모듈을 추가했습니다. 이 아키텍처는 다양한 스케일의 문맥 정보를 캡처하여, 공간적으로 불균일한 조명 조건 하에서 적응적인 보정을 가능하게 합니다. 학습 과정에서 품질 향상 네트워크는 CLIP 기반 의미론적 유사성 손실에 의해 제어되며, 반복적인 프롬프트 최적화 메커니즘을 통해 개선됩니다. BAID, Backlit300, LOL 및 VE-LOL-L을 포함한 다양한 쌍을 이루는 데이터셋과 비-쌍 데이터셋에서의 광범위한 실험 결과, 저희 프레임워크가 충실도, 시각적 품질 및 일반화 측면에서 최첨단 지도 및 비지도 학습 방법보다 일관되게 우수한 성능을 보이는 것으로 나타났습니다. 또한, 저희 연구는 상대적으로 탐구가 부족한 백라이트 이미지 품질 향상 분야에 대한 보다 엄격한 벤치마킹 프로토콜의 필요성을 강조합니다. 제안된 프레임워크는 다양한 조명 조건에서 실제 환경에서의 품질 향상을 위한 강력하고 확장 가능한 솔루션을 제공합니다.

Backlit and low-light images often suffer from severe exposure imbalance or global underexposure, presenting significant challenges for both visual perception and downstream computer vision tasks. In this paper, we propose a unified, unsupervised enhancement framework that addresses both types of degradation without relying on paired ground-truth data. Our approach builds on CLIP-guided prompt learning to semantically supervise enhancement using learned positive and negative textual prompts. To improve the quality of our improvements over prior work, we design a symmetric residual U-Net backbone augmented with an Atrous Spatial Pyramid Pooling module. This architecture captures multi-scale contextual information, enabling adaptive correction under spatially heterogeneous illumination. During training, the enhancement network is guided by CLIP-based semantic similarity losses and refined via an iterative prompt optimization mechanism. Extensive experiments on both paired and unpaired datasets, including BAID, Backlit300, LOL, and VE-LOL-L, demonstrate that our framework consistently outperforms state-of-the-art supervised and unsupervised methods in terms of fidelity, perceptual quality, and generalization. Furthermore, our work emphasizes the need for stronger benchmarking protocols for backlit enhancement, a relatively underexplored area. The proposed framework provides a robust, scalable solution for real-world illumination enhancement across diverse lighting conditions.