R3L: 잔차 복원을 통한 이미지 노이즈 제거를 위한 깊이 강화 학습과 순환 신경망의 연결

최첨단 이미지 노이즈 제거 기법은 결정론적 학습을 통해 다양한 유형의 딥 신경망을 활용한다. 반면, 최근의 연구들은 다양한 혹은 미지의 왜곡을 가진 이미지를 복원하기 위해 딥 강화학습(Deep Reinforcement Learning)을 활용하고 있다. 비록 딥 강화학습이 이미지 복원에서 연산자 선택 또는 아키텍처 탐색을 위한 효과적인 정책 네트워크를 생성할 수 있지만, 이러한 방법이 역문제(inverse problem) 해결에서 전통적인 결정론적 학습과 어떻게 연결되는지는 명확하지 않다. 본 연구에서는 강화학습을 활용한 잔차 복원(Residual Recovery) 기반의 새로운 이미지 노이즈 제거 방식인 R3L(Residual Recovery using Reinforcement Learning)을 제안한다. 우리는 R3L이 결정론적 손실을 사용하는 많은 인기 있는 노이즈 제거 기법과는 달리, 확률적 보상(stochastic reward)을 사용해 훈련된 깊이 있는 순환 신경망(deep recurrent neural network)과 동등함을 보여준다. R3L에서 강화학습의 효과를 평가하기 위해, 동일한 아키텍처를 갖는 순환 신경망을 결정론적 손실을 사용하여 잔차 복원에 대해 훈련함으로써, 두 가지 다른 훈련 전략이 노이즈 제거 성능에 미치는 영향을 분석한다. 이러한 통합적인 평가 체계를 통해, 추정된 노이즈 수준이 변할 때 R3L이 결정론적 학습을 사용하는 기존 기법들과 다양한 최첨단 이미지 노이즈 제거 알고리즘에 비해 더 우수한 일반화 능력과 강건성(robustness)을 보임을 입증한다.