초록
JPEG 이미지의 아티팩트 제거를 위한 단일 딥 블라인드 모델을 훈련하는 것이 실제 사용의 편리성으로 인해 상당한 주목을 받고 있습니다. 그러나 기존의 딥 블라인드 방법은 일반적으로 품질 요인을 예측하지 않고 이미지를 직접 재구성하므로, 비블라인드 방법과 달리 출력을 제어할 유연성이 부족합니다. 이 문제를 해결하기 위해 본 논문에서는 아티팩트 제거와 세부 정보 보존 사이의 균형을 조절할 수 있는 가변 품질 요인을 예측하는 유연한 블라인드 컨볼루셔널 신경망(FBCNN)을 제안합니다. 구체적으로, FBCNN은 디커플러 모듈을 통해 JPEG 이미지에서 품질 요인을 분리하고, 이후 재구성 모듈에 예측된 품질 요인을 품질 요인 어텐션 블록을 통해 내장하여 유연한 제어가 가능하도록 합니다. 또한, 우리는 기존 방법들이 1픽셀만 시프트된 경우에도 비정렬된 더블 JPEG 이미지에서 실패하기 쉬운 것을 발견하였으며, 이를 해결하기 위해 더블 JPEG 환경 모델을 제안하여 학습 데이터를 확장하였습니다. 단일 JPEG 이미지, 더 일반적인 더블 JPEG 이미지, 그리고 실제 세계의 JPEG 이미지를 대상으로 한 광범위한 실험 결과, 제안된 FBCNN이 양적 지표와 시각적 품질 측면에서 최신 방법들에 대해 우수한 성능을 보임을 입증하였습니다.