다중 수준 웨이블릿-CNN을 이용한 이미지 복원

수용 영역 크기와 효율성 사이의 균형은 저레벨 비전에서 중요한 문제입니다. 일반적인 합성곱 신경망(CNNs)은 계산 비용을 희생으로 하여 수용 영역을 확대하는 경향이 있습니다. 최근에는 이 문제를 해결하기 위해 희소 필터링(dilated filtering)이 도입되었습니다. 그러나 이 방법은 격자 효과(gridding effect)에 시달리며, 결과적으로 얻어지는 수용 영역은 입력 이미지의 체스판 패턴(checkerboard patterns)으로 구성된 희소 샘플링에 불과합니다. 본 논문에서는 수용 영역 크기와 계산 효율성 간의 더 나은 균형을 위해 새로운 다단계 웨이블릿 CNN (MWCNN) 모델을 제안합니다.U-Net 구조를 수정하여, 수축 서브네트워크(contracting subnetwork)에서 웨이블릿 변환(wavelet transform)을 도입하여 특징 맵(feature maps)의 크기를 줄였습니다. 또한, 다른 합성곱 층(convolutional layer)을 사용하여 특징 맵의 채널 수를 감소시켰습니다. 확장 서브네트워크(expanding subnetwork)에서는 역 웨이블릿 변환(inverse wavelet transform)을 활용하여 고해상도 특징 맵을 재구성하였습니다. 우리의 MWCNN은 희소 필터링과 다운샘플링(subsampling)의 일반화로 설명될 수 있으며, 다양한 이미지 복원 작업에 적용할 수 있습니다.실험 결과는 명확하게 MWCNN이 이미지 노이즈 제거(image denoising), 단일 이미지 초고해상도(super-resolution), 그리고 JPEG 이미지 아티팩트 제거(JPEG image artifacts removal) 등에서 효과적임을 보여주었습니다.