초록
우리는 잔차 학습(Residual Learning)과 합성곱 희소 코딩(Convolutional Sparse Coding, CSC)의 장점을 결합하여 단일 이미지 초해상도(Single Image Super-Resolution, SISR)를 위한 간단하면서도 효과적인 모델을 제안합니다. 이 모델은 학습된 반복 축소-임계값 알고리즘(Learned Iterative Shrinkage-Threshold Algorithm, LISTA)에서 영감을 받았습니다. 우리는 LISTA를 합성곱 버전으로 확장하고, 네트워크의 해석성을 개선하기 위해 엄격하게 합성곱 형태를 따르는 모델의 주요 부분을 구성하였습니다. 구체적으로, 입력 피처 맵의 합성곱 희소 코딩이 재귀적으로 학습되며, 이러한 CSCs로부터 고주파 정보가 복원됩니다. 더욱 중요한 점은, 네트워크가 깊어질 때 훈련 난이도를 완화하기 위해 잔차 학습이 적용되었습니다. 기준 데이터셋에 대한 광범위한 실험 결과가 우리의 방법론의 유효성을 입증합니다. 30층짜리 RL-CSC는 정확성과 시각적 품질 면에서 최근의 최신 기술들인 DRRN (52층) 및 MemNet (80층)보다 우수한 성능을 보입니다. 코드와 추가 결과는 https://github.com/axzml/RL-CSC에서 확인할 수 있습니다.