실제 흐림을 통한 디블러링

기존의 이미지 흐림 제거를 위한 딥러닝 기법은 일반적으로 선명한 이미지와 그에 대응하는 흐린 이미지 쌍을 사용하여 모델을 학습한다. 그러나 인공적으로 흐리게 만든 이미지는 실제 환경에서 발생하는 진정한 흐림 과정을 충분히 정확하게 모사하지는 못한다. 이 문제를 해결하기 위해, 본 연구에서는 이미지 흐림 방식을 주로 학습함으로써 더 나은 이미지 흐림 제거 모델을 학습할 수 있도록, 두 개의 GAN 모델—학습을 통한 흐림 생성 GAN(BGAN)과 학습을 통한 흐림 제거 GAN(DBGAN)—을 결합하는 새로운 방법을 제안한다. 첫 번째 모델인 BGAN은 쌍을 이루지 않은 선명한 이미지와 흐린 이미지 집합을 이용하여 선명한 이미지를 어떻게 흐리게 할지를 학습하고, 이를 바탕으로 두 번째 모델인 DBGAN이 해당 흐린 이미지를 올바르게 복원할 수 있도록 안내한다. 실제 흐림과 합성 흐림 간의 차이를 줄이기 위해 상대적 흐림 손실(Relativistic Blur Loss)을 활용한다. 추가적으로, 본 논문은 다양한 종류의 흐린 이미지를 포함하는 실세계 흐린 이미지(RWBI) 데이터셋을 제안한다. 실험 결과, 제안한 방법은 새로 제안한 데이터셋과 공개된 GOPRO 데이터셋 모두에서 일관된 우수한 정량적 성능과 더 높은 주관적 품질을 달성함을 확인하였다.