초록
영상 재구성의 역 문제는 다양한 전략, 도구 및 이론을 통해 오랜 기간 동안 광범위하게 연구되어 왔습니다. 최근에는 딥러닝 기술의 등장으로 이 분야가 크게 영향을 받았습니다. 본 논문에서 주목하는 한 가지 기여는 Ulyanov, Vedaldi, 그리고 Lempitsky(2018)가 제시한 딥 이미지 프라이어(DIP, Deep Image Prior) 작업입니다. DIP는 주어진 딥 아키텍처로부터 복원된 이미지를 합성하도록 강제함으로써 역 문제의 정규화에 새로운 접근 방식을 제공합니다. DIP가 비지도 학습 접근 방식으로 상당히 효과적임이 입증되었지만, 여전히 최신 대안들과 비교할 때 성능이 떨어집니다.본 연구에서는 명시적인 프라이어를 추가하여 DIP의 성능을 향상시키는 것을 목표로 합니다. 이를 통해 전체적인 정규화 효과를 향상시켜 더 나은 복원 이미지를 얻고자 합니다. 구체적으로, 우리는 역 문제의 정규화를 위해 기존 노이즈 제거기(denoiser)를 활용하는 Regularization by Denoising (RED) 개념을 도입하고자 제안합니다. 우리의 연구는 DIP와 RED를 결합하여 매우 효과적인 비지도 학습 복원 과정을 구현할 수 있으며, 선택된 노이즈 제거기를 미분할 필요 없이 여러 테스트 문제에서 매우 우수한 결과를 보여주는 방법을 설명합니다.