[논문 리뷰] Towards Universal Computational Aberration Correction in Photographic Cameras: A Comprehensive Benchmark Analysis

Xiaolong Qian, Qi Jiang외 6명|arXiv (Cornell University)|2026. 03. 12.

Image Enhancement Techniques인용 수 0

한 줄 요약

요약: 이 논문은 다양한 렌즈에 대한 보편적 계산적 왜곡 보정(CAC)을 위한 대규모 벤치마크 UniCAC를 제시하고, CAC의 난이도를 정량화하는 Optical Degradation Evaluator(ODE)를 제안하며, 24개 모델에 대한 포괄적 평가를 수행한다.

ABSTRACT

Prevalent Computational Aberration Correction (CAC) methods are typically tailored to specific optical systems, leading to poor generalization and labor-intensive re-training for new lenses. Developing CAC paradigms capable of generalizing across diverse photographic lenses offers a promising solution to these challenges. However, efforts to achieve such cross-lens universality within consumer photography are still in their early stages due to the lack of a comprehensive benchmark that encompasses a sufficiently wide range of optical aberrations. Furthermore, it remains unclear which specific factors influence existing CAC methods and how these factors affect their performance. In this paper, we present comprehensive experiments and evaluations involving 24 image restoration and CAC algorithms, utilizing our newly proposed UniCAC, a large-scale benchmark for photographic cameras constructed via automatic optical design. The Optical Degradation Evaluator (ODE) is introduced as a novel framework to objectively assess the difficulty of CAC tasks, offering credible quantification of optical aberrations and enabling reliable evaluation. Drawing on our comparative analysis, we identify three key factors -- prior utilization, network architecture, and training strategy -- that most significantly influence CAC performance, and further investigate their respective effects. We believe that our benchmark, dataset, and observations contribute foundational insights to related areas and lay the groundwork for future investigations. Benchmarks, codes, and Zemax files will be available at https://github.com/XiaolongQian/UniCAC.

연구 동기 및 목표

• 일반 소비자 사진 촬영에서 보지 않은 렌즈에 대해서도 일반화되는 보편 CAC를 자극한다.
• 자동 광학 설계를 통해 다양한 구(구형 및 비구형) 설계의 대규모 렌즈 라이브러리 UniCACLib를 구축한다.
• CAC의 난이도를 정량화하기 위해 이미지 선명도와 광학 품질 지표를 통합하여 ODE를 제안한다.
• 퍼포먼스에 영향을 주는 요인을 식별하기 위해 다양한 복원 및 CAC 모델을 평가한다.
• 보편 CAC를 개선하기 위한 사전지식(priors), 아키텍처 및 학습 전략에 대해 가이드를 제공한다.

제안 방법

• OptiFusion을 확장하여 UniCACLib를 위한 다양한 구형 및 비구형 렌즈 설계.
• OIQ, 공간 균일성, 채널 균일성을 결합하여 CAC 난이도를 정량화하는 Optical Degradation Evaluator(ODE)를 도입한다.
• UniCACLib에서 렌즈를 샘플링하여 벤치마킹용 다섯 개의 ODE 기반 열등도 수준을 형성한다.
• 다양한 수차 악화 수준에서 UniCACLib 위에서 24개의 CAC 및 IR 모델을 평가하고 다수의 지표를 보고한다.
• 이미지 선명도, 광학 품질 및 지각 품질의 균형을 맞추기 위한 Overall Performance(OP) 점수를 계산한다.

실험 결과

연구 질문

• RQ1 보지 않은 렌즈에 대해 재학습 없이도 보편 CAC 모델이 얼마나 잘 일반화할 수 있는가?
• RQ2 다양한 설계에서 CAC 성능에 가장 큰 영향을 미치는 렌즈 요인과 사전지식은 무엇인가?
• RQ3 다양한 모델 아키텍처 및 학습 패러다임이 다양한 수차 악화 및 색 수차 조건에서 어떻게 성능을 발휘하는가?
• RQ4 ODE가 CAC 난이도를 신뢰성 있게 정량화하고 렌즈 간 의미 있는 벤치마킹을 안내할 수 있는가?

주요 결과

• 학습 기반 방법이 CAC 작업에서 최적화 기반 방법보다 우수하다.
• 회귀 기반 학습이 이미지 선명도를 향상시키고, GAN/확산 기반 접근법은 지각 품질에서 뛰어나다.
• PSF-가용한 사전지식(PART)은 보지 않은 렌즈에 대한 일반화를 개선하고, PSF-어텐션은 수차의 조절에 도움을 준다.
• 광학 사전지식(OIQE) 및 이미지 사전지식(코드북, 확산 사전지식)이 CAC 성능을 크게 높인다.
• 확산 기반 방법은 강한 생성 사전지식으로 인해 심한 수차 하에서 강점을 보인다.
• CNN 기반 구조는 CAC 성능과 속도 사이에 유리한 균형을 이룬다.