Image bit-depth is the number of bits for each color channel of a pixel in an image which determines the number of expressable colors in an image. Although many modern displays support unprecedented higher bit-depth to show more realistic and natural colors with a high dynamic range, most media sources are still in bit-depth of 8 or lower. Since insufficient bit-depth may generate annoying false contours or lose detailed visual appearance, bit-depth expansion (BDE) from low bit-depth (LBD) images to high bit-depth (HBD) images becomes more and more important. In this paper, we adopt a learning-based approach for BDE and propose a novel CNN-based bit-depth expansion network (BitNet) that can effectively remove false contours and restore visual details at the same time. We have carefully designed our BitNet based on an encoder-decoder architecture with dilated convolutions and a novel multi-scale feature integration. We have performed various experiments with four different datasets including MIT-Adobe FiveK, Kodak, ESPL v2, and TESTIMAGES, and our proposed BitNet has achieved state-of-the-art performance in terms of PSNR and SSIM among other existing BDE methods and famous CNN-based image processing networks. Unlike previous methods that separately process each color channel, we treat all RGB channels at once and have greatly improved color restoration. In addition, our network has shown the fastest computational speed in near real-time.
영상 비트 심도는 영상에서 한 픽셀의 각 색상 채널에 사용되는 비트의 개수를 의미하는데 이것은 영상이 표현 가능한 색상 수를 결정한다. 많은 현대 디스플레이 장치들이 높은 동적 영역에서 자연스럽고 현실적인 색상을 표현하기 위해 전례 없는 높은 비트 심도를 지원하지만, 일반적인 영상들은 여전히 8비트 이하의 비트 심도를 가진다. 충분하지 않은 비트 심도에서는 거짓 윤곽선이 나타나거나 시각적인 세부를 잃을 수 있기 때문에 낮은 비트 심도 영상에서 높은 비트 심도 영상으로의 비트 심도 확장이 점점 더 중요해지고 있다. 본 논문에서는 비트 심도 확장을 위해 학습 기반 접근을 채택하여 효과적으로 거짓 윤곽선을 제거하고 시각적 세부를 복원할 수 있는 새로운 컨볼루션 뉴럴 네트워크 기반 비트 심도 확장 네트워크인 BitNet을 제안한다. 우리는 팽창된 컨볼루션과 새로운 다중 크기 특징 통합을 사용하여 인코더-디코더 구조의 BitNet을 신중하게 설계했다. 우리는 MIT-Adobe FiveK, Kodak, ESPL v2 및 TESTIMAGES 등 네 가지 다른 데이터 세트를 사용하여 다양한 실험을 수행했으며 제안하는 방법은 기존 비트 심도 확장 방법들과 잘 알려진 컨볼루션 뉴럴 네트워크 기반의 영상 처리 네트워크들과 비교하여 최대 신호 대 잡음 비와 구조적 유사성 지수의 관점에서 최고의 성능을 나타냈다. 우리의 방법은 기존 방법들과 달리 모든 색상 채널을 한 번에 보고 처리하여 색상 복원 능력이 크게 향상되었다. 또한 우리 네트워크는 준 실시간의 가장 빠른 수행 속도를 보여주었다.
