단일 이미지 초해상도를 위한 경량 특성 융합 네트워크

단일 이미지 초해상도(Single Image Super-Resolution, SISR)는 합성곱 신경망(Convolutional Neural Network, CNN)이 더 깊고 넓어짐에 따라 큰 발전을 이룩하였습니다. 그러나 방대한 매개변수는 실제 문제에의 적용을 방해하고 있습니다. 본 논문에서 우리는 다중 스케일 문맥 정보를 완전히 활용하면서 네트워크 매개변수를 크게 줄이고 SISR 결과를 최대화할 수 있는 경량 특징 융합 네트워크(Lightweight Feature Fusion Network, LFFN)를 제안합니다. LFFN은 스퍼클 블록과 소프트맥스 특징 융합 모듈(Softmax Feature Fusion Module, SFFM)로 구성됩니다. 구체적으로, 스퍼클 블록은 차원 확장 유닛, 특징 탐색 유닛 및 특징 정제 유닛으로 이루어져 있습니다. 차원 확장 층은 저차원을 고차원으로 확장하여 다음 유닛에 적합한 피처 맵을 암시적으로 학습합니다. 특징 탐색 유닛은 다양한 피처 맵을 대상으로 선형 및 비선형 특징 탐색을 수행합니다. 특징 정제 층은 피처들을 융합하고 정제하는 역할을 합니다. SFFM은 소프트맥스 함수를 사용하여 자가 적응적 학습 방식으로 다른 모듈들로부터의 피처들을 융합하여, 적은 매개변수 비용으로 계층적 정보를 충분히 활용합니다. 기준 데이터셋에서 수행된 정성적 및 정량적 실험 결과, LFFN은 유사한 매개변수를 가진 최신 방법들과 비교하여 우수한 성능을 보였습니다.