초록
딥러닝 기반 단일 이미지 초고해상도 방법은 대규모 학습 데이터셋을 사용하여 최근 양적 및 질적으로 큰 품질 개선을 이루어냈습니다. 대부분의 딥 네트워크는 저해상도 입력에서 고해상도 출력으로의 비선형 매핑에 집중하며, 잔차 학습을 통해 이를 수행하지만 특징 추상화와 분석에는 거의 주목하지 않습니다. 본 연구에서는 모든 스케일에서의 특징을 하향식과 상향식으로 처리하여 다양한 공간적 상관관계를 포착하고, 이를 바탕으로 최적의 표현을 통합하기 위해 여러 HourGlass (HG) 모듈을 캐스케이드로 연결한 계층적 역투영 네트워크(Hierarchical Back Projection Network, HBPN)를 제안합니다. 제안된 네트워크에서는 간단한 디컨볼루션과 풀링 과정을 대체하여 더 나은 추정을 제공하기 위해 오류와 연관된 상향 및 하향 샘플링 과정을 수행하는 역투영 블록(back projection blocks)을 채택하였습니다. 새로운 소프트맥스 기반 가중 재구성(Weighted Reconstruction, WR) 과정이 HG 모듈들의 출력물을 결합하여 초고해상도를 더욱 개선하는 데 사용됩니다. 다양한 데이터셋(실제 이미지 초고해상도 챌린지의 검증 데이터셋인 NTIRE2019 포함)에서의 실험 결과는 제안된 접근법이 다른 스케일 요소에 대해 최신 방법론들의 성능을 달성하고 개선할 수 있음을 보여줍니다.