진보적인 이미지 비제거 네트워크: 더 나은 그리고 간단한 기준모델

깊은 네트워크의 비제거 성능 향상과 함께 그 구조와 학습이 점점 더 복잡하고 다양해져, 새로운 비제거 네트워크를 개발할 때 다양한 네트워크 모듈의 기여도를 분석하는 것이 어려워지고 있습니다. 이 문제를 해결하기 위해, 본 논문에서는 네트워크 아키텍처, 입력 및 출력, 손실 함수를 고려하여 더 나은且더 간단한 베이스라인 비제거 네트워크를 제공합니다. 구체적으로, 얕은 ResNet을 반복적으로 전개하여 재귀 계산의 이점을 활용하는 진보적인 ResNet (Progressive ResNet, PRN)을 제안합니다. 또한 단계 간 깊은 특성의 종속성을 활용하기 위해 재귀 층이 도입되어 우리의 진보적 재귀 네트워크 (Progressive Recurrent Network, PReNet)을 형성합니다. 더욱이, ResNet의 단계 내 재귀 계산은 PRN과 PReNet에서 채택되어 비제거 성능에 미치는 영향을 최소화하면서도 네트워크 매개변수를 크게 줄일 수 있습니다. 네트워크 입력 및 출력에 대해서는 각 ResNet에 단계별 결과와 원래 비가 오는 이미지를 모두 입력으로 사용하고, 결국 {잔차 이미지} 예측 값을 최종 출력으로 합니다. 손실 함수에 대해서는 단일 MSE 또는 음의 SSIM 손실만으로도 PRN과 PReNet을 충분히 학습시킬 수 있습니다. 실험 결과, PRN과 PReNet은 합성 비가 오는 이미지와 실제 비가 오는 이미지 모두에서 우수한 성능을 보였습니다. 본 모델들의 간단함, 효율성 및 효과성을 고려할 때, 미래의 비제거 연구에서 적합한 베이스라인이 될 것으로 기대됩니다. 소스 코드는 https://github.com/csdwren/PReNet에서 확인할 수 있습니다.注：在翻译中，“且”这个字通常不会出现在韩语句子中，因此在最终版本中将其删除以提高流畅度。