초록
최근 몇 년간 싱글 이미지 슈퍼 리졸루션(SISR)에서 딥 컨볼루셔널 뉴럴 네트워크(CNNs)의 전례 없는 성공이 이루어졌습니다. 그러나 기존의 CNN 기반 SISR 방법들은 대부분 저해상도(LR) 이미지가 고해상도(HR) 이미지에서 이중 입방 하향 샘플링(bicubic downsampling)된 것으로 가정하기 때문에, 실제 화질 저하 과정이 이 가정을 따르지 않을 때 성능이 크게 떨어지는 문제가 있습니다. 또한, 여러 가지 화질 저하를 단일 모델로 처리하는 데 있어서 확장성이 부족합니다. 이러한 문제들을 해결하기 위해, 우리는 차원 확장 전략을 적용한 일반적인 프레임워크를 제안합니다. 이 프레임워크는 단일 컨볼루셔널 슈퍼 리졸루션 네트워크가 SISR 화질 저하 과정의 두 가지 주요 요인, 즉 블러 커널(blur kernel)과 노이즈 수준(noise level)을 입력으로 받아들일 수 있도록 설계되었습니다. 그 결과, 슈퍼 리졸버는 여러 가지 화질 저하뿐만 아니라 공간적으로 변동하는 화질 저하까지 처리할 수 있어 실용성 면에서 크게 향상되었습니다. 합성 및 실제 LR 이미지를 대상으로 한 광범위한 실험 결과에 따르면, 제안된 컨볼루셔널 슈퍼 리졸루션 네트워크는 여러 가지 화질 저하에 대해 우수한 결과를 생성할 뿐만 아니라 계산 효율성이 뛰어나, 실용적인 SISR 응용 분야에 대한 매우 효과적이고 확장 가능한 솔루션이라는 것을 확인할 수 있었습니다.