초록
최근, 매우 깊은 합성곱 신경망(CNNs)이 이미지 복원 분야에서 많은 주목을 받고 있습니다. 그러나 깊이가 증가함에 따라 이러한 매우 깊은 모델에서 장기 의존성 문제는 거의 인식되지 않아, 이전 상태/층이 후속 상태에 미치는 영향이 적어지는 결과를 초래합니다. 인간의 사고가 지속성을 가지고 있다는 사실에 착안하여, 우리는 장기 기억을 명시적으로 채굴하기 위해 적응 학습 과정을 도입한 메모리 블록(메모리 블록은 재귀 유닛과 게이트 유닛으로 구성됨)을 포함하는 매우 깊은 지속적 기억 네트워크(MemNet)를 제안합니다. 재귀 유닛은 다양한 수용 필드 하에서 현재 상태의 다중 수준 표현을 학습합니다. 이러한 표현들과 이전 메모리 블록의 출력들이 연결되어 게이트 유닛으로 전송되며, 게이트 유닛은 이전 상태 중 어느 정도를 보존할 것인지와 현재 상태 중 어느 정도를 저장할 것인지를 적응적으로 제어합니다. 우리는 MemNet을 이미지 노이즈 제거, 초해상화 및 JPEG 디블로킹이라는 세 가지 이미지 복원 작업에 적용하였습니다. 포괄적인 실험 결과는 MemNet의 필요성과 최신 기술보다 우수한 성능을 모든 세 가지 작업에서 입증하였습니다. 코드는 https://github.com/tyshiwo/MemNet 에서 제공됩니다.