이미지 흐림 제거를 위한 유일한 요소: 밀도 인지 및 모델링

실세계에서는 안개로 인한 이미지 품질 저하가 매우 복잡하며, 각 이미지 간 안개의 공간적 분포가 다양하게 나타난다. 최근의 방법들은 깊은 신경망을 활용하여 안개가 낀 이미지에서 직접 청정한 장면을 복원하려는 시도를 하고 있다. 그러나 실제 촬영된 안개의 변동성과 기존 네트워크의 고정된 저하 파라미터 사이에서 발생하는 모순으로 인해, 최근의 안개 제거 기법은 실세계 안개 이미지에 대한 일반화 능력이 만족스럽지 못하다. 이러한 실세계 안개 저하를 모델링하는 문제를 해결하기 위해, 우리는 비균일한 안개 분포를 인지하고 모델링함으로써 문제를 해결하고자 한다. 이를 위해 정사각형 방향에서 특징을 캡처함으로써 안개 밀도를 인코딩하는 새로운 분리형 하이브리드 주의(Seperable Hybrid Attention, SHA) 모듈을 제안한다. 또한, 안개의 비균일한 분포를 명시적으로 모델링하기 위해 밀도 맵(density map)을 제안한다. 이 밀도 맵은 반감독 방식으로 위치 인코딩을 생성한다. 이러한 안개 밀도 인지 및 모델링 기법은 특징 수준에서 비균일한 저하를 효과적으로 포착할 수 있다. 적절한 SHA와 밀도 맵의 조합을 통해, 복잡성 대 성능의 균형이 우수한 새로운 안개 제거 네트워크 아키텍처를 설계하였다. 두 개의 대규모 데이터셋에서 실시한 광범위한 실험 결과, 제안한 방법은 정량적·정성적 측면에서 모든 최신 기법을 크게 능가함을 입증하였다. 특히 Haze4k 테스트 데이터셋에서 최고의 기존 PSNR 지표를 28.53 dB에서 33.49 dB로, SOTS indoor 테스트 데이터셋에서는 37.17 dB에서 38.41 dB로 개선하였다.