둘이서 함께: 버스트 플리커 제거를 위한 주기성과 방향성의 이중주

It Takes Two: A Duet of Periodicity and Directionality for Burst Flicker Removal

March 24, 2026

저자: Lishen Qu, Shihao Zhou, Jie Liang, Hui Zeng, Lei Zhang, Jufeng Yang

cs.AI

초록

불안정한 조명과 행 단위 노출 불일치로 발생하는 플리커 아티팩트는 짧은 노출 시간 촬영에서 이미지 품질을 심각하게 저하시키는 주요 과제로 대두됩니다. 노이즈나 저조도와 같은 일반적인 아티팩트와 달리 플리커는 특정 시공간적 패턴을 가진 구조화된 열화 현상으로, 현재의 일반적인 복원 프레임워크에서는 이를 고려하지 않아 플리커 억제가 최적화되지 못하고 고스팅 아티팩트가 발생합니다. 본 연구에서는 플리커 아티팩트가 주기성과 방향성이라는 두 가지 본질적 특성을 보인다는 점을 규명하고, 고스팅 현상 없이 효과적으로 플리커를 제거하는 트랜스포머 기반 아키텍처인 Flickerformer를 제안합니다. 구체적으로 Flickerformer는 위상 기반 융합 모듈(PFM), 자기상관 피드포워드 네트워크(AFFN), 웨이블릿 기반 방향성 어텐션 모듈(WDAM)이라는 세 가지 핵심 구성 요소로 이루어집니다. 주기성을 바탕으로 PFM은 프레임 간 위상 상관 분석을 수행하여 버스트 특징을 적응적으로 집계하고, AFFN은 자기상관을 통해 프레임 내 구조적 규칙성을 활용함으로써 공간적으로 반복되는 패턴 인식 능력을 공동으로 향상시킵니다. 또한 플리커 아티팩트의 방향성에 착안하여 WDAM은 웨이블릿 영역의 고주파수 변동을 활용하여 저주파수 암부 영역의 복원을 유도함으로써 플리커 아티팩트의 정확한 위치 파악을 가능하게 합니다. 다양한 실험을 통해 Flickerformer가 정량적 지표와 시각적 품질 모두에서 최첨단 접근법을 능가함을 입증하였습니다. 소스 코드는 https://github.com/qulishen/Flickerformer에서 확인할 수 있습니다.

English

Flicker artifacts, arising from unstable illumination and row-wise exposure inconsistencies, pose a significant challenge in short-exposure photography, severely degrading image quality. Unlike typical artifacts, e.g., noise and low-light, flicker is a structured degradation with specific spatial-temporal patterns, which are not accounted for in current generic restoration frameworks, leading to suboptimal flicker suppression and ghosting artifacts. In this work, we reveal that flicker artifacts exhibit two intrinsic characteristics, periodicity and directionality, and propose Flickerformer, a transformer-based architecture that effectively removes flicker without introducing ghosting. Specifically, Flickerformer comprises three key components: a phase-based fusion module (PFM), an autocorrelation feed-forward network (AFFN), and a wavelet-based directional attention module (WDAM). Based on the periodicity, PFM performs inter-frame phase correlation to adaptively aggregate burst features, while AFFN exploits intra-frame structural regularities through autocorrelation, jointly enhancing the network's ability to perceive spatially recurring patterns. Moreover, motivated by the directionality of flicker artifacts, WDAM leverages high-frequency variations in the wavelet domain to guide the restoration of low-frequency dark regions, yielding precise localization of flicker artifacts. Extensive experiments demonstrate that Flickerformer outperforms state-of-the-art approaches in both quantitative metrics and visual quality. The source code is available at https://github.com/qulishen/Flickerformer.