초록
우리는 쌍이 없는 이미지 간 번역 작업(예: 스타일 또는 클래스 전이, 노이즈 제거, 흐림 제거, 블록 효과 제거 등)을 해결하기 위해 간단한 아키텍처를 제안한다. 본 연구는 고정된 가중치를 가진 이미지 오토인코더 아키텍처로부터 출발한다. 각 작업에 대해 잠재 공간에서 작동하는 잔차 블록(Residual Block)을 학습하며, 이 블록은 목표 도메인에 도달할 때까지 반복적으로 호출된다. 반복 횟수의 지수적 영향을 완화하기 위해 특정한 학습 스케줄이 필요하다. 테스트 시점에서는 다음과 같은 장점이 있다: 가중치 파라미터 수가 제한적이며, 구성형 설계를 통해 반복 횟수를 조절함으로써 변환의 강도를 조절할 수 있다. 예를 들어, 제거해야 할 노이즈의 유형이나 양이 미리 알려지지 않은 경우에 매우 유용하다. 실험적으로 본 방법이 다양한 변환 작업에 있어 효과적임을 입증하는 사례를 제시한다. 제안한 모델의 성능은 파라미터 수가 훨씬 적은 점을 고려할 때, CycleGAN과 비교해 유사하거나 더 우수한 성능을 보였다.