딥 레귤레이티드 컨볼루션 네트워크를 이용한 이미지 복원

딥러닝 연구 분야에서 합성곱 신경망의 깊이에 대한 관심이 크게 증가하고 있는 가운데, 최근에는 네트워크의 폭(width)에 대한 관심이 더욱 높아지고 있다. 네트워크의 폭은 수용장(Receptive Field)의 크기와 채널의 밀도로 정의되며, 이미지 노이즈 제거 및 복원과 같은 저수준 비전 작업에서 핵심적인 역할을 하고 있음이 입증되었다. 그러나 네트워크의 폭이 증가함에 따라 일반화 능력이 제한되는 문제는 더 넓은 네트워크 설계에 있어 핵심적인 장벽이 되고 있다. 본 논문에서는 이 장벽을 극복하기 위해, 스킵 연결(Skip-connection)을 통해 연결된 규제된 하위 네트워크 블록들로 구성된 깊은 네트워크인 '딥 규제 합성곱 네트워크(Deep Regulated Convolutional Network, RC-Net)'를 제안한다. 특히, 큰 필터와 작은 필터의 조합을 특징으로 하는 규제 합성곱 블록(RC-블록)은 주목할 만한 특징 추출 능력과 네트워크의 일반화 능력 사이의 균형을 유지한다. RC-Net은 다음과 같은 여러 장점들을 갖는다: 큰-작은 필터 조합을 통해 다양한 특징을 수용하며, 이미지 노이즈 제거 및 초해상도 복원 문제에서 흐린 경계와 흐려진 세부 정보를 완화하고, 학습 과정을 안정화시킨다. 제안하는 RC-Net은 다양한 이미지 복원 작업에서 최첨단 기법들을 뛰어넘는 뛰어난 성능을 보이며, 높은 일반화 능력 또한 입증하였다. 코드는 https://github.com/cswin/RC-Nets 에서 공개되어 있다.