초록
이미지 복원 작업에서, 노이즈 제거와 초해상도와 같은 과제들은 실제 응용 분야에서 복원 수준의 지속적인 조절이 매우 중요하지만, 기존의 딥 러닝 기반 이미지 복원 방법론에서는 이에 실패하였습니다. 이산적이고 고정된 복원 수준에서 학습한 딥 모델은 연속적이고 미처 본 적 없는 데이터에 쉽게 일반화될 수 없습니다. 이러한 주제는 잘 훈련된 모델을 특정 하이퍼파라미터로 조절하는 어려움 때문에 문헌에서 거의 다루어지지 않았습니다. 우리는 이를 해결하기 위해 단일 수준 모델보다 몇 가지 추가 파라미터만 더 포함하면서도 시작 수준과 종료 수준 사이의 임의의 복원 수준을 처리할 수 있는 통합 CNN 프레임워크를 제안합니다. 이 추가 모듈인 AdaFM 레이어는 채널별 특성 수정을 수행하며, 높은 정확도로 모델을 다른 복원 수준에 적응시킬 수 있습니다. 간단히 보간 계수를 조정함으로써 중간 모델인 AdaFM-Net은 아티팩트 없이 부드럽고 연속적인 복원 효과를 생성할 수 있습니다. 세 가지 이미지 복원 작업에 대한 광범위한 실험 결과는 모델 훈련 및 조절 테스트의 효과성을 입증하였습니다. 또한, 우리는 AdaFM 레이어의 속성을 철저히 연구하여 제안된 방법론 사용에 대한 상세한 가이드라인을 제공하였습니다.