더 흐리게 만들수록 더 잘 복원한다: 효율적인 영상 흐림 제거를 위한 다중 블러2디블러

비디오 디블러링의 핵심 요소 중 하나는 인접 프레임을 어떻게 활용할 것인지에 있다. 최근의 최신 기술들은 중심 프레임에 인접한 정렬된 프레임을 사용하거나, 과거 프레임의 정보를 현재 프레임으로 반복적으로 전파하는 방식을 채택하고 있다. 본 연구에서는 효율적인 비디오 디블러링을 위해 인접 프레임을 활용하는 새로운 개념인 다중 블러에서 디블러링(Multi-Blur-to-Deblur, MB2D)을 제안한다. 먼저, 언샤프 마스킹(unshearp masking)의 아이디어를 영감으로 삼아, 긴 노출 시간으로 생성된 더 많은 블러 이미지를 추가 입력으로 사용할 경우 성능이 크게 향상된다고 주장한다. 둘째, 인접 프레임에서 더 많은 블러 이미지를 합성할 수 있는 다중 블러링 순환 신경망(Multi-Blurring Recurrent Neural Network, MBRNN)을 제안하며, 기존의 비디오 디블러링 기법에 비해 상당한 성능 향상을 이끌어낸다. 마지막으로, MBRNN에서 생성된 순환 특징 맵을 연결하여 다중 해상도로 디블러링을 수행하는 다중 해상도 디블러링(Multi-Scale Deblurring with Connecting Recurrent Feature Map from MBRNN, MSDR) 기법을 제안하여, 인기 있는 GoPro 및 Su 데이터셋에서 최고 수준의 성능을 빠르고 메모리 효율적인 방식으로 달성한다.