초록
이미지 흐림 제거 작업은 흐린 이미지에 대해 무수한 타당한 해가 존재하는 불안정한 문제로, 해가 유일하지 않다. 현대의 딥러닝 접근법은 일반적으로 블러 커널 학습을 생략하고, 엔드 투 엔드의 지도 학습 방식을 직접 활용한다. 일반적으로 사용되는 흐림 제거 데이터셋에서는 레이블로 타당한 해 중 하나를 지정한다. 그러나 우리는 레이블을 직접 지정하는 것이 특히 레이블이 무작위 분포로부터 샘플링된 경우에 합리적이지 않다고 주장한다. 따라서 우리는 네트워크가 타당한 해의 분포를 학습하도록 제안하며, 이 고려사항을 바탕으로 새로운 멀티헤드 출력 아키텍처와 분포 학습을 위한 적합한 손실 함수를 설계하였다. 본 연구의 접근법은 모델이 타겟 분포를 근사하기 위해 여러 개의 타당한 해를 출력할 수 있도록 한다. 또한, 성능 향상과 함께 파라미터 수와 계산량을 줄이는 새로운 파라미터 멀티플렉싱 기법을 제안한다. 제안한 방법은 현재 최고 성능을 보이는 NAFNet을 포함한 다양한 이미지 흐림 제거 모델에 대해 평가되었으며, 검증 이미지마다 여러 헤드 중 가장 높은 점수를 선택한 경우 전체적인 PSNR는 기존 베이스라인 대비 최대 0.11~0.18dB 향상되었다. 또한, 검증 세트에서 성능이 가장 우수한 하나의 헤드를 선택한 경우 PSNR는 최대 0.04~0.08dB 향상되었다. 코드는 다음 링크에서 확인할 수 있다: https://github.com/Liu-SD/multi-output-deblur.