초록
최근, 딥 컨볼루션 신경망(CNNs)은 단일 이미지 초해상도(super-resolution) 분야에서 뛰어난 진전을 보여주었습니다. 그러나 네트워크의 깊이와 폭이 증가함에 따라, CNN 기반의 초해상도 방법들은 실제 적용에서 계산 복잡성과 메모리 소비 문제에 직면하게 되었습니다. 이러한 문제를 해결하기 위해, 우리는 원본 저해상도 이미지로부터 직접 고해상도 이미지를 재구성하는 깊지만 컴팩트한 컨볼루션 네트워크를 제안합니다. 일반적으로 제안된 모델은 특징 추출 블록, 쌓인 정보 증류 블록, 그리고 재구성 블록으로 구성됩니다. 강화 유닛과 압축 유닛을 결합하여 증류 블록을 구성함으로써, 로컬 장·단 경로 특징을 효과적으로 추출할 수 있습니다. 특히, 제안된 강화 유닛은 두 가지 다른 유형의 특징을 혼합하고, 압축 유닛은 후속 블록에 더 유용한 정보를 증류합니다. 또한, 제안된 네트워크는 각 층당 필터 수가 비교적 적고 그룹 컨볼루션(group convolution)을 사용함으로써 빠른 실행 속도라는 장점을 가지고 있습니다. 실험 결과는 제안된 방법이 최신 기법들보다 우수하며, 특히 시간 성능 측면에서 더욱 그렇다는 것을 입증하였습니다.