ControlLight: 제어 가능하고, 일관되며, 일반화 가능한 저조도 향상을 위하여

초록

기존의 딥러닝 기반 저조도 향상 방법은 일반적으로 단일 향상 목표를 가진 제한된 데이터셋에서 학습되어, 실제 응용에서의 일반화 능력과 제어 가능성이 제한적이다. 이러한 한계를 극복하기 위해, 본 논문은 저조도 향상을 위한 제어 가능하고 일관성 있으며 일반화 가능한 프레임워크인 ControlLight를 제안한다. 먼저, 연속적인 조명 강도 감독을 포함한 대규모 실제 열화 영상 데이터셋을 구축한다. 또한, 다양한 제어 강도에서도 일관된 출력을 보장하기 위해, 연속적인 향상 강도에 걸쳐 영상 구조를 유지하는 정렬 불일치를 고려한 가중 흐름 매칭 손실을 도입한다. ControlLight는 사용자가 시각적 일관성과 사실성을 유지하면서 강도를 유연하게 제어하여 실제 열화된 저조도 영상을 만족스러운 향상 결과로 편집할 수 있도록 한다. 광범위한 실험을 통해 ControlLight가 기존 저조도 향상 방법 대비 최첨단 성능을 달성할 뿐만 아니라, 강력한 연속 제어 가능성과 실제 시나리오에 대한 일반화 능력을 보여줌을 입증한다.

English

Existing deep learning-based low-light enhancement methods are typically trained on limited datasets with single enhancement targets, which restricts their generalization ability and controllability in real-world applications. To overcome these limitations, we propose ControlLight, a controllable, consistent, and generalizable framework for low-light enhancement. We first construct a large-scale dataset of real-world degraded images with continuous illumination-strength supervision. To further ensure consistent outputs under different control strengths, we introduce a misalignment-aware weighted flow matching loss that preserves image structure across continuous enhancement strengths. ControlLight allows users to edit real-world degraded low-light images toward satisfactory enhancement results by flexibly controlling the strength while preserving visual consistency and realism. Extensive experiments show that ControlLight achieves state-of-the-art performance against existing low-light enhancement approaches while demonstrating strong continuous controllability and generalization to real-world scenarios.