Color conveys important information about the visible world. However, under low-light conditions, both pixel intensity, as well as true color distribution, can be significantly shifted. Moreover, most of such distortions are non-recoverable due to inverse problems. In the present study, we utilized recent advancements in learning-based methods for low-light image enhancement. However, while most ``deep learning" methods aim to restore high-level and object-oriented visual information, we hypothesized that learning-based methods can also be used for restoring color-based information. To address this question, we propose a novel color representation learning method for low-light image enhancement. More specifically, we used a channel-aware residual network and a differentiable intensity histogram to capture color features. Experimental results using synthetic and natural datasets suggest that the proposed learning scheme achieves state-of-the-art performance. We conclude from our study that inter-channel dependency and color distribution matching are crucial factors for learning color representations under low-light conditions.
색상은 이미지에서 중요한 정보를 전달한다. 그러나 저조도 조건에서는 픽셀강도 뿐만 아니라 실제 색상 분포가 크게 바뀔 수 있다. 또한, 이러한 왜곡은 대부분 인버스 문제로 인해 복구할 수 없다. 최근 연구에서는 저조도 이미지 향상을 위한 학습 기반의 방법들이 발전해왔다. 하지만 대부분의 딥러닝 방법은 하이레벨의 객체 지향 정보를 복원하는 것을 복표로 한다. 본 논문에서는 학습 기반의 방법론이 색상 정보를 복원하는데도 사용할 수 있다고 가정한다. 이 질문을 해결하기 위해 저조도 이미지 향상을 위한 새로운 색상 표현 학습 방법을 제안한다. 본 연구에서는 채널인식 레지듀얼 네트워크와 미분가능한 히스토그램을 사용하여 색상 특징을 캡처한다. 합성 및 실제 데이터세트를 사용한 실험 결과는 제안된 학습 방식이 최첨단 성능을 달성함을 시사한다. 본 연구를 통해 채널 간 의존성과 색상 분포 매칭이 저조도 조건에서 색상 표현을 학습하는 데 중요한 요소라는 결론을 내린다.
