초록
이미지 복원은 저수준 컴퓨터 비전에서 오랫동안 연구되어온 문제로, 다양한 흥미로운 응용 분야가 있습니다. 본 논문에서는 다양한 이미지 복원 문제에 대한 비선형 반응 확산 모델의 개념을 기반으로 한 유연한 학습 프레임워크를 설명합니다. 최근의 비선형 확산 모델 개선 사항을 반영하여, 시간에 따라 변하는 매개변수(즉, 선형 필터와 영향 함수)를 갖는 동적 비선형 반응 확산 모델을 제안합니다. 이전의 비선형 확산 모델과 달리 모든 매개변수, 필터와 영향 함수를 포함하여 손실 기반 접근법을 통해 학습 데이터로부터 동시에 학습됩니다. 이를 TNRD -- \textit{학습 가능한 비선형 반응 확산 (Trainable Nonlinear Reaction Diffusion)} 접근법이라고 부릅니다. TNRD 접근법은 적절한 반응력을 통합함으로써 다양한 이미지 복원 작업에 적용할 수 있습니다. 우리는 가우시안 노이즈 제거, 단일 이미지 초해상화 및 JPEG 블록 해제 세 가지 대표적인 응용 분야를 통해 그 능력을 시연합니다. 실험 결과, 우리의 학습된 비선형 확산 모델은 매개변수 학습으로부터 크게 혜택을 받았으며, 테스트된 응용 분야에서 일반적으로 사용되는 테스트 데이터셋에서 최고의 성능을 보였습니다. 또한 우리의 학습된 모델은 확산 모델의 구조적 단순성을 유지하며 매우 적은 수의 확산 단계만 필요하므로 효율성이 매우 높습니다. 더불어 이러한 모델들은 GPU 상에서 병렬 계산에 적합하여 추론 과정이 극도로 빠르게 이루어집니다.