다중 시계열 순환 신경망을 활용한 증분 시계열 학습을 통한 점진적 비균일 단일 이미지 흐림 제거

다중 규모(Multi-scale, MS) 접근법은 단일 이미지 또는 영상의 블러 제거(블라인드 단일 이미지/영상 디블러링)에 널리 연구되어 왔으며, 낮은 공간 해상도에서 먼저 디블러링된 이미지를 순차적으로 복원한 후, 높은 공간 해상도로 진행하는 방식으로, 낮은 해상도의 출력을 활용한다. 특히 고공간 해상도에서 큰 운동에 의해 유도된 심각한 블러의 경우, 낮은 해상도에서는 미세한 블러로 간주될 수 있으므로 MS 접근법은 매우 효과적이다. 본 연구에서는 이러한 MS 접근법의 대안으로, 비균일한 단일 이미지 디블러링을 위한 다중 시간적(Multi-temporal, MT) 접근법을 탐구한다. 우리는 시간 해상도(time-resolved) 데이터셋에서 구성한 MT 레벨 데이터셋을 활용한 증분적 시간 학습(incremental temporal training)을 제안하고, 순환적 특징 맵을 갖는 새로운 MT-RNNs를 개발하며, 반복 과정을 통해 단일 이미지 디블러링을 점진적으로 수행하는 방법을 탐구한다. 제안하는 MT 방법은 파라미터 수가 가장 적으면서도 GoPro 데이터셋에서 PSNR 측면에서 최신의 MS 방법들을 모두 상회하여 우수한 성능을 보였다.