초록
최근 몇 년간 학습 기반 방법을 활용한 이미지 흐림 제거 기술은 최첨단 성능을 달성하고 있다. 그러나 기존 대부분의 방법들은 합성 흐린 이미지 위에서 디하징 모델을 학습시키며, 도메인 차이로 인해 실제 흐린 이미지에 대한 일반화 능력이 떨어지는 문제가 존재한다. 이 문제를 해결하기 위해, 이미지 번역 모듈과 두 개의 이미지 디하징 모듈로 구성된 도메인 적응 프레임워크를 제안한다. 구체적으로, 먼저 이중 방향 번역 네트워크를 활용하여 합성 도메인과 실제 도메인 간의 격차를 줄이기 위해 이미지를 한 도메인에서 다른 도메인으로 변환한다. 그 후, 변환 전·후의 이미지를 이용해 일관성 제약 조건을 도입하여 제안한 두 개의 이미지 디하징 네트워크를 동시에 학습시킨다. 이 단계에서, 맑은 이미지의 특성(예: 어두운 채널 전제 및 이미지 기울기 매끄러움)을 활용하여 실제 흐린 이미지를 디하징 학습에 포함함으로써 도메인 적응 성능을 더욱 향상시킨다. 이미지 번역 및 디하징 네트워크를 엔드 투 엔드 방식으로 동시에 학습함으로써, 이미지 번역과 디하징 모두에서 더 우수한 성능을 달성할 수 있다. 합성 이미지와 실제 이미지에 대한 실험 결과를 통해 제안하는 모델이 최첨단 디하징 알고리즘들과 비교하여 우수한 성능을 보임을 확인할 수 있다.