ControlLight: Towards Controllable, Consistent, and Generalizable Low-Light Enhancement

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.

📋 한 줄 요약

**[Low-Light Enhancement / Flow Matching]** ControlLight가 continuous illumination-strength supervision의 real-world degraded image 대규모 데이터셋과 misalignment-aware weighted flow matching loss로 일관된 강도 제어 가능 enhancement 달성, 실세계 일반화·controllability SOTA.

🎯 핵심 기여도

기존 deep learning 기반 low-light enhancement가 limited dataset과 single enhancement target으로 학습되어 real-world application의 generalization·controllability를 제약함을 진단.
ControlLight 제안 — controllable·consistent·generalizable low-light enhancement 프레임워크.
우선 continuous illumination-strength supervision을 가진 real-world degraded image의 large-scale 데이터셋 구축 — 실세계 다양성·연속 강도 modeling 가능하게 함.
다양한 control strength 하 consistent output 보장 위해 misalignment-aware weighted flow matching loss 도입 — continuous enhancement strength 전반에서 image structure 보존. 사용자가 real-world degraded low-light image를 만족스러운 enhancement로 flexibly 강도 조절·visual consistency·realism 동시 유지.

💡 핵심 아이디어

Low-light enhancement의 controllability·일관성은 single target 학습이 아니라 continuous illumination-strength supervision의 real-world 데이터셋 + flow matching의 strength 전반 structure 보존 loss로 달성되며, 사용자가 enhancement 강도를 연속 조절하면서도 일관된 visual·realism을 유지할 수 있다.

🔬 기술적 접근법

**방법론**: ControlLight — continuous-strength supervision + misalignment-aware flow matching.
**핵심 기법**: (1) Continuous illumination-strength supervision real-world degraded image 대규모 데이터셋 구축, (2) Misalignment-aware weighted flow matching loss 도입, (3) Continuous enhancement strength 전반에서 image structure 보존, (4) 사용자 flexible strength control, (5) Real-world generalization·realism 동시 유지.

📊 주요 결과

기존 low-light enhancement 방법 대비 SOTA 성능.
Continuous controllability 강력.
Real-world 시나리오 일반화 검증.
사용자가 만족스러운 결과를 strength 조정으로 얻는 실용성 입증.

💭 의의 및 한계

**의의**: Low-light enhancement의 controllability·일관성·일반화 3축을 단일 프레임워크에 통합, continuous strength supervision 대규모 데이터셋 자체로 후속 연구의 자산, flow matching loss의 misalignment-aware 변형이 일반 image-to-image task에 응용 가능. **한계**: 데이터셋 구축의 cost, continuous strength label 품질에 성능 의존, 극저조도·motion blur 결합 등 복잡 degradation에서의 robustness는 추가 검증 여지.

🚀 실용적 활용

사진·동영상 편집의 강도 조절 가능 enhancement.
자율주행·CCTV의 실시간 low-light 강화.
AR/VR의 환경 적응형 visual enhancement.