이미지 복원을 위한 딥 잔차 학습의 범위를 넘어서: 지속적 호몰로지에 의한 다양체 단순화

최신 딥 러닝 접근법은 다양한 이미지 복원 작업에서 기존의 최첨단 신호 처리 접근법보다 우수한 성능을 보입니다. 그러나 이미지에 많은 패턴과 구조가 포함되어 있는 경우, 이러한 CNN들의 성능은 여전히 열리지 못합니다. 이 문제를 해결하기 위해 본 연구에서는 기존 잔차 학습을 능가하는 새로운 특징 공간 딥 잔차 학습 알고리즘을 제안합니다. 이 알고리즘의 주요 아이디어는 입력 및/또는 라벨 다양체(input and/or label manifolds)가 분석적 매핑(analytic mapping)을 통해 특징 공간(feature space)으로 더 단순화될 수 있다면 학습 알고리즘의 성능이 향상될 수 있다는 관찰에서 비롯되었습니다. 노이즈 제거 실험과 NTIRE 싱글 이미지 초해상도(Single-Image Super-Resolution, SISR) 경쟁을 사용한 광범위한 수치 연구 결과, 제안된 특징 공간 잔차 학습이 기존의 최첨단 접근법보다 우수함을 입증하였습니다. 또한, 우리 알고리즘이 최고 순위 팀들보다 5-10배 빠른 계산 시간으로 NTIRE 경쟁에서 세 번째로 선정되었습니다. 소스 코드는 다음 페이지에서 확인할 수 있습니다: https://github.com/iorism/CNN.git