Technische Samenvatting: Naar Kleurgetrouwe Laaglichtbeeldverbetering via Adaptieve Kleurdebiasing en Verzadigingsrectificatie

1. Probleemstelling

Laaglichtbeeldverbetering (LLIE) streeft naar het herstellen van zichtbaarheid en getrouwe kleuren uit gedegradeerde observaties. Hoewel recente methoden aanzienlijke vooruitgang hebben geboekt in helderheidherstel, blijft getrouwe kleurherstel een kritieke uitdaging. Laaglichtfotografie introduceert ingebedde kleurafwijkingen (color biases) als gevolg van lage signaal-ruisverhoudingen, hardwarebeperkingen en automatische verwerking in de camera. Wanneer deze beelden worden opgehelderd, worden de ingebedde kleurverschuivingen zichtbaarder, wat leidt tot algehele kleurafwijking en lokale verzadigingsabnormaliteiten (onderverzadiging en oververzadiging).

Bestaande benaderingen werken doorgaans in de RGB-ruimte, waar helderheid en kleurherstel nauw met elkaar verbonden zijn, wat leidt tot ernstige kleurvervorming bij sterke verbetering. Andere methoden proberen lichtheid en chrominantie te ontkoppelen via Retinex-gebaseerde decompositie of getransformeerde kleurruimten (bijv. HSV, HVI, YUV). Deze methoden falen echter vaak in het verwijderen van de chromatische verstoring die al in het laaglichtbeeld is ingebed. In plaats daarvan plant deze verstoring zich voort door de verbeteringspipeline, waardoor de herstelde kleurdistributie afwijkt van die van een goed verlicht beeld. Bovendien reorganiseren eenvoudige kleurruimtetransformaties (bijv. naar CIELab) de representatie, maar corrigeren ze niet inherent de afwijking of reguleren ze de verzadigingsanomalieën die door het verbeteringsproces worden veroorzaakt.

2. Methodologie: CAGE-framework

De auteurs stellen CAGE voor (Cylindrical Color correction framework with Adaptive color debiasing and Gamut-harmonized saturation rectification), een plug-and-play framework dat geïntegreerd kan worden met diverse LLIE-backbones. CAGE werkt via een voorwaartse transformatie, een backbone-verbetering en een inverse transformatie, gecentreerd rond twee kerninnovaties: AdaLAB en AdaCCT.

2.1 AdaLAB: Adaptieve Cilindrische LAB-kleurruimte

Het framework introduceert AdaLAB, een cilindrische adaptieve LAB-kleurruimte. Het erft de lichtheid ($L$) en de opponent chromatische assen ($A, B$) van CIELab. In tegen tegenstelling tot standaard LAB, dient AdaLAB als een gedecoupleerde, beeld-specifieke basis die uniforme kleurverschuivingen en schaling in het chromatische vlak kan accommoderen, wat een coherente structuur biedt voor het organiseren van laaglicht chromatische variaties.

2.2 AdaCCT: Adaptieve Cilindrische Kleurtransformatie

Gebouwd op AdaLAB, is AdaCCT een leerbare transformatie die beeld-adaptieve cilindrische parameters voorspelt vanuit een gedownsampled invoerbeeld. Deze parameters omvatten:

• Lightness Sensitivity Vertices: Adaptieve intervallen langs de lichtheidsas om niet-uniforme distributies van kleurafwijking en verzadiging te vangen.
• Chroma-Scaling Intensity: Globale interactiewaarden om chromatische distributies over verschillende lichtheidsniveaus uit te lijnen.
• Hue-Shift Direction en Magnitude: Een gedeelde globale verschuivingsrichtingvector en lichtheidsafhankelijke magnituden om het coherente kleurverschuivingspatroon te modelleren.

De transformatie werkt in twee stadia:

A. Voorwaartse Transformatie (Pre-Enhancement):
Voordat het beeld de verbeteringsbackbone ingaat, brengt AdaCCT de invoer van RGB naar AdaLAB. Het voert uit:

1. Hue-directionele Chromatische Debiasing: Het verschuift de chromatische representatie langs een lichtheidsbewuste hue-shift vector om de ingebedde kleurafwijking te onderdrukken.
2. Lightness-aware Chroma Scaling: Het reorganiseert de chrominantie-representatie door deze te schalen volgens lichtheidsafhankelijke intensiteitswaarden, wat een meer gestructureerde representatie creëert voor de backbone.

B. Backbone Verbetering:
De verbeterde backbone (bijv. Retinexformer, DarkIR, of HVI-CIDNet) verwerkt het beeld binnen de AdaLAB-ruimte, waarbij zichtbaarheid en structuur worden hersteld.

C. Inverse Transformatie (Post-Enhancement):
Na de verbetering wordt het beeld terug naar RGB gemapt. Deze fase bevat:

1. Omkeren van Chroma Scaling: De chrominantie wordt gedeeld door de voorspelde schalingsintensiteit.
2. Out-of-Gamut Lightness Compensation (OOGLC): In plaats van direct kleuren buiten het kleurengamma (out-of-gamut) af te kappen (wat artefacten veroorzaakt), wordt de overtollige chroma omgezet in lichtheidscompensatie. Dit balanceert verzadiging en helderheid, waardoor de kleurgetrouwheid in sterk verzadigde regio's behouden blijft.
3. RGB Conversie: De definitieve LAB-kaart wordt teruggeconverteerd naar RGB.

3. Belangrijkste Bijdragen

Het artikel schetst drie primaire bijdragen:

1. Heroverweging van LLIE vanuit Chromatische Verstoring: De auteurs laten zien dat het ontkoppelen van lichtheid en chrominantie alleen onvoldoende is om ingebedde kleurafwijking te elimineren. Ze demonstreren dat deze afwijking voortduurt tijdens de verbetering, wat zich manifesteert als globale kleurverschuivingen en verzadigingsanomalieën.
2. Verenigd Kleurcorrectie Ontwerp (AdaLAB & AdaCCT): Ze introduceren AdaLAB als een coherente basis voor laaglicht chromatische variatie en AdaCCT als een mechanisme om bias te onderdrukken via adaptieve hue-shifting en chroma scaling vóór de verbetering, en om verzadiging te rectificeren via out-of-gamut lichtheidscompensatie na de verbetering.
3. Prestaties en Compatibiliteit: Uit uitgebreide experimenten blijkt dat CAGE de kleurgetrouwheid consistent verbetert, verzadigingsanomalieën vermindert en de algehele visuele kwaliteit over verschillende LLIE-backbones verhoogt met minimale computationele overhead.

4. Experimentele Resultaten

De auteurs hebben CAGE geëvalueerd op zes gepaarde benchmarks (LOLv1, LOLv2-real, LOLv2-synthetic, SDSD-indoor, SDSD-outdoor, SID) en verschillende ongepaarde datasets (DICM, LIME, MEF, NPE, VV).

• Kwantitatieve Prestaties: Geïntegreerd met backbones zoals Retinexformer, DarkIR en HVI-CIDNet, behaalde CAGE consistente verbeteringen. Op LOLv1 verbeterde het bijvoorbeeld de PSNR met gemiddeld 0,98 dB ten opzichte van de originele backbones. Op uitdagende datasets zoals SDSD-indoor verbeterde het de PSNR met 1,12 dB ten opzichte van sterke baselines.
• Efficiëntie: Het framework voegt verwaarloosbare computationele kosten toe (ongeveer 0,07M parameters en <0,01G FLOPs), wat aangeeft dat de winst voortkomt uit verbeterde kleurmodellering in plaats van verhoogde modelcapaciteit.
• Kwalitatieve Resultaten: Visuele vergelijkingen tonen aan dat CAGE de globale kleurafwijking vermindert, lokale verzadiging stabiliseert en meer natuurlijke chromatische overgangen produceert in donkere en detailrijke regio's vergeleken met de baselines.
• Ablatie-studies: Experimenten bevestigden dat hue-shift correctie het meest kritieke onderdeel is voor bias-onderdrukking, terwijl chroma scaling en lichtheidsgevoeligheid de structurele consistentie verbeteren. De AdaLAB-ruimte presteerde beter dan RGB, YUV, HVI en standaard CIELab-ruimten.

5. Betekenis en Claims

Het artikel beweert dat het expliciet modelleren en corrigeren van chromatische verstoring in een gedecoupleerde cilindrische representatie een betrouwbaardere oplossing biedt voor kleurgetrouwe laaglichtbeeldverbetering. Door de kernoorzaak van kleurafwijking (ingebedde verstoring) aan te pakken en verzadiging te reguleren via gamut-geharmoniseerde compensatie, overbrugt CAGE de kloof tussen helderheidherstel en getrouwe kleurherstel. De auteurs positioneren CAGE niet als een op zichzelf staande vervanging voor alle LLIE-methoden, maar als een veelzijdig, plug-and-play module die de kleurgetrouwheid van bestaande state-of-the-art backbones verbetert.

Het artikel erkent een beperking: de huidige formulering voorspelt een enkele beeldniveau hue-shift richting. In scènes met gemengde verlichting waarbij ruimtelijk gescheiden regio's verschillende verschuivingsrichtingen vertonen, kan residuele lokale bias blijven bestaan. Toekomstig werk suggereert om lokale chromatische inhoud op te nemen in de richtingvoorspelling.