PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2604.11788v2cs.CV

로그 인코딩 기반 잠재 정렬을 통한 HDR 비디오 생성

HDR Video Generation via Latent Alignment with Logarithmic Encoding

고동적범위(High Dynamic Range, HDR) 영상은 장면의 광도(scene radiance)를 풍부하고 충실하게 표현하지만, 생성 모델이 학습되는 유계(bounded)이며 지각적으로 압축된 데이터와의 불일치로 인해 생성 모델에게 여전히 까난한 과제로 남아 있습니다. 자연스러운 해결책은 HDR을 위한 새로운 표현을 학습하는 것이지만, 이는 추가적인 복잡성과 데이터 요구량을 수반합니다. 본 연구에서는 사전학습된 생성 모델이 이미 포착한 강력한 시각적 사전 지식(visual priors)을 활용함으로써 훨씬 단순한 방식으로 HDR 생성을 달성할 수 있음을 보여줍니다. 저자들은 영화 제작 파이프라인에서 널리 쓰이는 로그 인코딩(logarithmic encoding)이 HDR 영상을 이러한 모델들의 잠재 공간과 자연스럽게 정렬(align)되는 분포로 매핑하여, 인코더를 재학습하지 않고도 경량 미세조정을 통한 직접적인 적응을 가능하게 한다는 점을 관찰했습니다. 또한 입력에서 직접 관찰할 수 없는 세부 정보를 복원하기 위해, 모델이 학습된 사전 지식으로부터 누락된 고동적범위 콘텐츠를 추론하도록 유도하는 카메라 모방 열화 기반 학습 전략을 도입합니다. 이러한 통찰을 결합하여 최소한의 적응만으로 사전학습된 비디오 모델을 사용해 고품질 HDR 비디오 생성을 입증하였으며, 다양한 장면과 까다로운 조명 조건 전반에서 우수한 결과를 달성했습니다. 본 결과는 표현 방식이 학습된 사전 지식과 정렬되도록 선택된다면, HDR이 근본적으로 다른 영상 형성 체계를 나타냄에도 불구하고 생성 모델을 재설계하지 않고도 효과적으로 다룰 수 있음을 시사합니다.

arXiv:2609.28439v1cs.CV

HaRP: 듀얼 역방향 셔터 스캐닝을 통한 고동적범위 포토시퀀싱

HaRP: High Dynamic Range Photosequencing through Dual Reversed Shutter Scanning

모바일 사진 촬영에서 CMOS 센서의 도입은 기하학적 왜곡과 모션 아티팩트를 유발하는 롤링 셔터(RS) 효과로 인해 자주 저해됩니다. 특히 최근의 글로벌 리셋 롤링 셔터(RSGR) 모드는 일부 RS 문제를 완화하지만, 캡처 속도 저하와 다이내믹 레인지 압축을 포함한 주요 한계를 유발합니다. 이러한 문제를 해결하기 위해, 본 논문에서는 RSGR 뷰와 반전된 RSGR 뷰를 모두 활용하는 새로운 듀얼 역방향 스캐닝 설정을 제안합니다. 이 솔루션은 프레임 전반의 다이내믹 레인지를 균형 있게 맞추기 위해 상호 보완적인 노출을 동기화함으로써 RSGR의 고유한 결함을 해결할 뿐만 아니라, 매우 동적인 장면에서도 HDR 포토시퀀싱을 위한 효과적인 방법을 제시합니다. 제안된 네트워크는 먼저 행 단위 상호 보완성을 수용하고 행 적응형 특징 정렬(alignment)을 통해 시각적 변위를 처리합니다. 이후 상관관계 유도 혼합 어텐션(mixattention) 블록을 기반으로 구축된 할루시네이션(hallucination) 모듈이 상호 강화된 특징을 통합하여 누락된 디테일을 복원합니다. 또한 동축 이미징 시스템을 구축하여 실제 데이터셋을 수집함으로써 수치 시뮬레이션을 넘어 견고한 학습과 평가를 가능하게 합니다. 실험 결과는 RSGR의 한계를 완화하고 HDR 재구성 기법을 발전시키는 측면에서 제안된 솔루션의 두 가지 이점을 입증합니다.