저조도 이미지에서 서로 다른 광원의 조명 강도 분포가 고르지 않아 이미지 향상 시 윤곽 특징 손실 및 부자연스러운 효과 문제가 발생하는 문제를 해결하기 위해 조명 강도 확산 기반 저조도 이미지 향상 방법(Light Diffusion based Zero-DCE Image Enhancement Algorithm, LightDiffu-DCE)을 제안한다. 모델의 일반화 능력을 향상시키기 위해 광원 조명 강도 모델링 기반 확산 모델을 제안하여 다양한 조명 강도의 학습 데이터셋을 생성하였다. 가장자리 특징 융합 깊은 곡선 추정 네트워크를 설계하여 저조도 이미지의 다중 스케일 윤곽 및 세부 특징을 보다 풍부하게 추출하고 조명 강도 추정의 정확성을 향상시켰다. 더 자연스러운 조명을 복원하기 위해 대기광 추정을 융합하여 이미지의 다양한 영역에 대한 조명 강도를 계산하고, 광 증강 곡선 및 광 증강 계수를 동적으로 미세 조정하였다. 무참조 데이터셋 ExDark와 참조 데이터셋 LOL에서 6가지 평가 지표를 사용하여 실험 분석을 수행하였다. 실험 결과 기준 방법과 비교하여 LightDiffu-DCE가 ExDark에서 무참조 평가 지표 NIQE, PIQE 및 RISQ에서 각각 약 8.35%, 6.20% 및 21.83% 향상되었으며, LOL 데이터셋에서 참조 평가 지표 PSNR, SSIM 및 RMSE에서 각각 약 12.12%, 4.76% 및 49.89% 향상되었다. 이 방법은 저조도 이미지를 효과적으로 향상시킬 수 있으며, 복원된 저조도 이미지의 윤곽이 더욱 선명하고 색상이 선명하며 효과가 더욱 자연스럽다.

컴퓨터 비전;확산 모델;저조도 향상;가장자리 특징;딥 곡선 추정 네트워크