초록
비국소 자기 유사성은 이미지 노이즈 제거 문제에 있어 효과적인 사전 정보로 잘 알려져 있습니다. 그러나 이 개념을 국소 정보만을 활용하는 합성곱 신경망(CNN)에 통합한 연구는 거의 이루어지지 않았습니다. 본 논문에서는 그래프 합성곱 연산을 기반으로 하는 레이어를 사용하여 비국소 수용 영역을 가진 뉴런을 생성하는 새로운 엔드투엔드 학습 가능한 신경망 구조를 제안합니다. 그래프 합성곱 연산은 고전적인 합성곱을 임의의 그래프로 일반화합니다. 본 연구에서는 네트워크의 은닉 특징들 사이의 유사성을 통해 동적으로 그래프를 계산하여, 네트워크의 강력한 표현 학습 능력을 활용하여 자기 유사 패턴을 발견할 수 있도록 합니다. 우리는 경량화된 엣지 조건부 합성곱(Edge-Conditioned Convolution)을 소개하며, 이 특정 그래프 합성곱에서 발생하는 기울기 소실과 과다 매개변수 문제를 해결합니다. 광범위한 실험 결과, 본 방법론은 인공 가우시안 노이즈와 실제 노이즈 모두에서 향상된 정성적 및 정량적 성능으로 최신 기술 수준의 결과를 보여주었습니다.