스케일-재귀 네트워크를 이용한 깊은 이미지 디블러링

단일 이미지 블러 제거에서 "三大阶段到小阶段" (coarse-to-fine) 방식, 즉 피라미드 구조에서 다양한 해상도를 통해 점진적으로 선명한 이미지를 복원하는 방법은 전통적인 최적화 기반 방법과 최근의 신경망 기반 접근 모두에서 매우 성공적이었습니다. 본 논문에서는 이 전략을 연구하고 블러 제거 작업을 위한 스케일 재귀 네트워크 (Scale-recurrent Network, SRN-DeblurNet)를 제안합니다. [25]에 소개된 많은 최근 학습 기반 접근법과 비교할 때, 본 방법은 더 간단한 네트워크 구조, 더 적은 매개변수 수와 훈련의 용이성을 갖추고 있습니다. 우리는 복잡한 움직임을 포함하는 대규모 블러 제거 데이터셋에서 우리의 방법을 평가하였습니다. 결과는 양적 및 질적으로 본 방법이 최신 기술보다 더 우수한 품질의 결과를 생성할 수 있음을 보여주고 있습니다.注：在韩文中，“三大阶段到小阶段” (coarse-to-fine) 是一个中文表达，通常在韩文中会直接使用英文“coarse-to-fine”。因此，建议将其直接保留为英文，如下所示：단일 이미지 블러 제거에서 "coarse-to-fine" 방식, 즉 피라미드 구조에서 다양한 해상도를 통해 점진적으로 선명한 이미지를 복원하는 방법은 전통적인 최적화 기반 방법과 최근의 신경망 기반 접근 모두에서 매우 성공적이었습니다. 본 논문에서는 이 전략을 연구하고 블러 제거 작업을 위한 스케일 재귀 네트워크 (Scale-recurrent Network, SRN-DeblurNet)를 제안합니다. [25]에 소개된 많은 최근 학습 기반 접근법과 비교할 때, 본 방법은 더 간단한 네트워크 구조, 더 적은 매개변수 수와 훈련의 용이성을 갖추고 있습니다. 우리는 복잡한 움직임을 포함하는 대규모 블러 제거 데이터셋에서 우리의 방법을 평가하였습니다. 결과는 양적 및 질적으로 본 방법이 최신 기술보다 더 우수한 품질의 결과를 생성할 수 있음을 보여주고 있습니다.