要約
画像修復タスクにおいて、ノイズ除去や超解像度のような分野で、実世界の応用のために修復レベルの継続的な調整が非常に重要です。しかし、既存の深層学習ベースの画像修復手法ではこれが達成できていません。離散的かつ固定的な修復レベルから学習する深層モデルは、連続的かつ未見のデータに容易に一般化することはできません。この課題は、文献でほとんど触れられていません。なぜなら、特定のハイパーパラメータを持つ既に訓練されたモデルを適切に調整することが困難だからです。私たちはこの問題に対して一歩前進し、単一レベルモデルよりも僅かな追加パラメータしか持たない統一CNNフレームワークを提案します。このフレームワークは、開始レベルと終了レベルの間の任意の修復レベルに対処することができます。追加モジュールであるAdaFM（Adaptive Feature Modification）レイヤーは、チャンネルごとの特徴量変更を行い、モデルを別の修復レベルに高精度で適応させることができます。補間係数を単純に微調整することで、中間モデルであるAdaFM-Netはアーティファクトなしで滑らかかつ連続的な修復効果を生成できます。3つの画像修復タスクにおける広範な実験により、モデル訓練と調整テスト双方の有効性が示されています。さらに、AdaFMレイヤーの特性について慎重に調査し、提案手法の使用に関する詳細なガイダンスを提供しています。