초록
최근 제안된 딥 슈퍼 리졸루션 네트워크의 피드포워드 아키텍처는 저해상도 입력의 표현을 학습하고, 이를 고해상도 출력으로 비선형 매핑하는 방법을 학습합니다. 그러나 이 접근 방식은 저해상도와 고해상도 이미지 간의 상호 의존성을 완전히 해결하지 못합니다. 우리는 반복적인 업샘플링 및 다운샘플링 레이어를 활용하여 각 단계에서 투영 오류에 대한 오류 피드백 메커니즘을 제공하는 딥 백프로젝션 네트워크(DBPN)를 제안합니다. 서로 연결된 업샘플링 및 다운샘플링 단계를 구성하여, 각 단계가 다른 유형의 이미지 화질 저하와 고해상도 구성 요소를 나타내도록 합니다. 또한, 이 아이디어를 확장하여 업샘플링과 다운샘플링 단계 간의 특징들을 연결(concatenation)할 수 있도록 하면(.Dense DBPN), 슈퍼 리졸루션 재구성이 더욱 개선되어 우수한 결과를 얻을 수 있으며, 특히 8배 이상의 큰 스케일링 인자에서 여러 데이터 세트에 걸쳐 새로운 최고 성능을 달성하였습니다.