초록
최근 초해상도 합성곱 신경망(Super-Resolution Convolutional Neural Networks)은 단일 이미지에 대한 고품질 복원을 보여주었습니다. 그러나 기존 알고리즘은 매우 깊은 구조와 긴 학습 시간을 필요로 하는 경우가 많습니다. 또한, 현재의 초해상도 합성곱 신경망은 여러 스케일에서의 특징을 활용하고 동등하게 가중할 수 없어, 그들의 학습 능력이 제한됩니다. 이 논문에서는 소형화되고 정확한 초해상도 알고리즘인 밀집 잔차 라플라시안 네트워크(Densely Residual Laplacian Network, DRLN)를 제시합니다. 제안된 네트워크는 잔차 구조 위에 캐스케이딩 잔차를 사용하여 저주파 정보의 흐름을 고주파 및 중간 수준의 특징 학습에 집중시키도록 설계되었습니다. 또한, 밀집 연결된 잔차 블록 설정을 통해 깊은 감독이 이루어져, 고수준 복잡한 특징에서의 학습을 돕습니다. 더불어, 우리는 라플라시안 주의(Laplacian Attention)를 제안하여 특징 맵 간의 상호 및 내부 의존성을 모델링하는 중요한 특징을 학습합니다. 더욱이, 저해상도, 노이즈가 있는 저해상도, 그리고 실제 역사적 이미지 벤치마크 데이터셋에 대한 포괄적인 정량적 및 정성적 평가는 우리의 DRLN 알고리즘이 시각적으로나 정확성 면에서 최신 방법들과 유리하게 비교됨을 보여줍니다.