우리는 기존의 업샘플링 연산자가 인덱스 함수(index function) 개념을 사용하여 통합될 수 있음을 보여줍니다. 이 개념은 딥 이미지 매팅(deep image matting)의 디코딩 과정에서 인덱스를 활용한 언폴링(indices-guided unpooling)이 양선형 보간(bilinear interpolation) 등의 다른 업샘플링 연산자보다 경계 세부 정보를 훨씬 더 잘 복원할 수 있다는 관찰에서 영감을 받았습니다. 인덱스를 특성 맵(feature map)의 함수로 간주함으로써, 우리는 "인덱싱 학습(learning to index)"이라는 개념을 소개하고, 데이터로부터 자동으로 적응적으로 인덱스를 학습하여 다운샘플링 및 업샘플링 단계를 안내하는 새로운 인덱스-가이드된 인코더-디코더 프레임워크를 제시합니다. 이 프레임워크의 핵심은 특성 맵 자체에 조건부로 동적으로 인덱스를 생성하는 새로운 학습 가능한 모듈인 인덱스 네트워크(Index Network, IndexNet)입니다. IndexNet은 결합된 다운샘플링 및 업샘플링 단계를 가진 거의 모든 오프더shelf 컨볼루션 네트워크(convolutional networks)에 플러그인 형태로 적용될 수 있으며, 네트워크에게 로컬 패턴의 변동성을 동적으로 포착할 수 있는 능력을 부여합니다. 특히, 우리는 5개의 IndexNet 유형을 구현하고 조사하여 이미지 노이즈 제거(image denoising), 이미지 매팅(image matting), 의미 분할(semantic segmentation), 단일 카메라 깊이 추정(monocular depth estimation) 등 4개의 밀집 예측 작업(dense prediction tasks)에서 그 효과성을 입증하였습니다. 코드와 모델은 다음 주소에서 제공됩니다: https://tinyurl.com/IndexNetV1