초록
딥러닝 이전의 전통적인 단일 이미지 흐림 제거 방법 대부분은 거친 스케일에서 선명한 이미지를 추정한 후, 보다 세밀한 스케일로 점진적으로 개선하는 '거친 것에서 세밀한 것'의 접근 방식을 채택하였다. 이러한 방식은 딥러닝 기반 접근법에도 일부 적용되었지만, 최근에는 품질과 계산 시간 측면에서 기존의 거친 것에서 세밀한 것 접근 방식을 능가하는 우수한 성능을 보이는 단일 스케일 기반 접근법들이 다수 등장하고 있다. 본 논문에서는 다시 한번 거친 것에서 세밀한 것 방식을 검토하며, 기존의 이 방식들이 성능 저하를 초래하는 주요 결함들을 분석한다. 분석을 바탕으로, 이러한 결함을 보완하기 위한 새로운 딥러닝 기반 단일 이미지 흐림 제거 방법인 다중 스케일 스테이지 네트워크(Multi-Scale-Stage Network, MSSNet)를 제안한다. 구체적으로 MSSNet은 세 가지 혁신적인 기술 요소를 도입한다: 흐림 스케일을 반영한 스테이지 구성, 스케일 간 정보 전파 방식, 그리고 픽셀 셔플 기반의 다중 스케일 구조. 실험 결과, MSSNet은 품질, 네트워크 크기, 계산 시간 측면에서 최신 기준(SOTA, State-of-the-Art) 수준의 성능을 달성함을 입증하였다.