잔여 밀집 네트워크를 이용한 이미지 복원

최근 합성곱 신경망(CNN)은 이미지 복원(IR)에서 큰 성공을 거두었으며 계층적 특징을 제공하였습니다. 그러나 대부분의 깊은 CNN 기반 IR 모델들은 원본 저품질 이미지에서 얻은 계층적 특징을 충분히 활용하지 못하여 상대적으로 낮은 성능을 보이고 있습니다. 본 논문에서는 이러한 문제를 해결하기 위해 새로운 잔차 밀집 네트워크(RDN)를 제안합니다. 우리는 모든 합성곱 층에서 계층적 특징을 완전히 활용합니다. 구체적으로, 밀집 연결된 합성곱 층을 통해 풍부한 국소 특징을 추출하기 위한 잔차 밀집 블록(RDB)을 제안합니다. RDB는 이전 RDB 상태에서 현재 RDB의 모든 층으로 직접 연결되도록 하여 연속적인 메모리 메커니즘을 제공합니다. 더 효과적인 특징을 적응적으로 학습하고 넓은 네트워크의 훈련을 안정화하기 위해, 우리는 RDB 내에서 국소 특징 융합을 제안하였습니다. 밀집된 국소 특징을 완전히 획득한 후, 전역 특징 융합을 사용하여 전체적으로 전역 계층적 특징을 공동으로 그리고 적응적으로 학습합니다. 우리는 단일 이미지 초해상도, 가우시안 노이즈 제거, 이미지 압축 아티팩트 감소, 이미지 블러링 제거 등 몇 가지 대표적인 IR 응용 분야를 통해 RDN의 효과성을 입증하였습니다. 벤치마크 및 실제 데이터셋에 대한 실험 결과는 우리의 RDN이 각 IR 작업에서 정량적 및 시각적으로 최신 방법들에 비해 우수한 성능을 달성함을 보여주고 있습니다.