합성에서 실재로: 레이블이 없는 실재 데이터와 협력하는 이미지 해하징

단일 이미지 흐림 제거는 기존의 합성 학습 데이터와 실제 세계 이미지 간의 도메인 차이로 인해 기존 방법의 성능 저하가 발생하는 도전적인 과제이다. 이 문제를 해결하기 위해, 우리는 레이블이 없는 실제 데이터와 협업하는 새로운 이미지 흐림 제거 프레임워크를 제안한다. 먼저, 흐림 과정의 물리적 모델을 고려하여 특징 표현을 세 가지 구성 요소 맵—잠재적 흐림 없는 이미지, 전달도 맵, 전역 대기 빛 추정—으로 분리하는 분리형 이미지 흐림 제거 네트워크(DID-Net)를 개발하였다. DID-Net은 다양한 스케일의 특징을 점진적으로 통합하여 세 가지 구성 요소 맵을 예측하고, 각 맵을 독립적인 개선 네트워크를 통해 정교화한다. 이후, 레이블이 없는 실제 데이터를 활용하여 단일 이미지 흐림 제거 성능을 향상시키기 위해 분리형 일관성 평균-선생님 네트워크(DMT-Net)를 도입한다. 구체적으로, 학습자(학생)와 선생님 네트워크 간의 각 분리된 구성 요소에 대한 거친 예측 및 개선 결과가 일관되도록, 레이블이 없는 실제 데이터에 대해 일관성 손실을 적용한다. 제안한 방법은 새로 수집한 데이터셋(Haze4K)과 널리 사용되는 두 개의 흐림 제거 데이터셋(SOTS 및 HazeRD), 그리고 실제 세계의 흐린 이미지에서 기존의 13가지 최첨단 흐림 제거 방법과 비교하여 평가하였다. 실험 결과, 제안한 방법이 기존 방법에 비해 명확한 정량적 및 정성적 성능 향상을 보였다.