초록
최근 제안된 딥 슈퍼 리졸루션 네트워크의 이전 피드포워드 아키텍처는 저해상도 입력의 특징과 이를 고해상도 출력으로 비선형 매핑하는 방법을 학습합니다. 그러나 이러한 접근 방식은 저해상도와 고해상도 이미지 간의 상호 의존성을 완전히 해결하지 못합니다. 우리는 이 문제를 해결하기 위해 반복적인 업샘플링 및 다운샘플링 레이어를 활용한 딥 백프로젝션 네트워크(DBPN)를 제안합니다. 이 네트워크는 NTIRE2018 및 PIRM2018 이미지 슈퍼 리졸루션 챌린지에서 우승한 모델입니다. 이러한 레이어들은 투영 오류에 대한 오류 피드백 메커니즘을 제공하는 단위로 구성됩니다. 우리는 서로 연결된 업샘플링 및 다운샘플링 유닛들을 구축하여, 각 유닛이 다른 종류의 저해상도 및 고해상도 구성 요소를 나타내도록 합니다. 또한, 이 아이디어를 확장하여 더 효율적인 네트워크 설계에 대한 새로운 통찰력을 제시합니다. 예를 들어, 투영 모듈에서의 파라미터 공유와 투영 단계에서의 전환 레이어 등입니다. 실험 결과, DBPN은 우수한 성능을 보여주며 특히 8배 확대와 같은 큰 스케일링 인자에서 여러 데이터 세트에 걸쳐 새로운 최신 기술(SOTA) 결과를 설정하였습니다.