초록
모델 기반 최적화 방법과 판별 학습 방법은 저수준 비전에서 다양한 역 문제를 해결하기 위한 두 가지 주요 전략으로 활용되어 왔습니다. 일반적으로 이 두 가지 방법은 각각의 장점과 단점이 있습니다. 예를 들어, 모델 기반 최적화 방법은 다양한 역 문제를 처리하는 데 유연하지만, 좋은 성능을 위해 복잡한 사전 정보(priors)가 필요하여 시간이 많이 소요됩니다. 반면에, 판별 학습 방법은 테스트 속도가 빠르지만 특정 작업에 특화되어 있어 적용 범위가 크게 제한됩니다. 최근 연구에서는 변수 분리(variable splitting) 기술을 활용하여 노이즈 제거기(denoiser) 사전 정보를 모델 기반 최적화 방법의 모듈로 통합하여 다른 역 문제(예: 블러 제거(deblurring))를 해결할 수 있음을 보여주었습니다. 이러한 통합은 노이즈 제거기가 판별 학습을 통해 얻어졌을 때 상당한 이점을 제공합니다. 그러나 빠른 판별형 노이즈 제거기 사전 정보와의 통합에 대한 연구는 아직 부족한 상태입니다. 이를 목표로, 본 논문에서는 빠르고 효과적인 CNN(컨벌루션 신경망) 노이즈 제거기를 훈련시키고, 이를 모델 기반 최적화 방법에 통합하여 다른 역 문제를 해결하는 것을 목표로 합니다. 실험 결과는 학습된 노이즈 제거기 집합이 유망한 가우시안 노이즈 제거 성능을 달성함과 동시에 다양한 저수준 비전 응용 분야에서 좋은 성능을 발휘할 수 있음을 입증하였습니다.