연속적인 이미지 표현을 통한 밀집 픽셀 간 하모니화

고해상도(HR) 이미지 조화화는 이미지 합성 및 이미지 편집과 같은 실제 응용 분야에서 매우 중요한 의미를 갖는다. 그러나 높은 메모리 비용으로 인해 기존의 밀도 높은 픽셀 간 조화화 방법은 주로 저해상도(LR) 이미지 처리에 집중되어 있다. 일부 최신 연구들은 색상-색상 변환 기법과 결합하나, 특정 해상도에 국한되거나 수작업으로 설계된 이미지 필터에 크게 의존하는 한계가 있다. 본 연구에서는 은닉 신경 표현(implicit neural representation, INR)을 활용하여, 은닉 신경망 기반의 새로운 이미지 조화화 방법인 HINet(Harmonization based on Implicit neural Networks)을 제안한다. 이는 알려진 바에 따르면, 수작업 필터 설계 없이도 고해상도 이미지에 적용 가능한 최초의 밀도 높은 픽셀 간 조화화 방법이다. Retinex 이론을 영감으로 삼아, MLP를 복합 이미지의 콘텐츠와 환경을 각각 포착할 수 있도록 두 부분으로 분해하였다. 또한 경계 불일치 문제를 완화하기 위해 저해상도 이미지 사전(Low-Resolution Image Prior, LRIP) 네트워크를 설계하였으며, 학습 및 추론 과정에 대한 새로운 설계도 제안하였다. 광범위한 실험을 통해 제안한 방법이 최신 기술 대비 뛰어난 성능을 보임을 입증하였다. 더불어, 제안된 방법이 가지는 흥미롭고 실용적인 응용 사례도 탐구하였다. 본 연구의 코드는 https://github.com/WindVChen/INR-Harmonization 에 공개되어 있다.