Self-Asymmetric Invertible Network for Compression-Aware Image Rescaling 압축을 고려한 이미지 리스케일링을 위한 자기 비대칭 가역 네트워크

고해상도(HR) 이미지는 보다 나은 표시를 위해 저해상도(LR)로 축소되며, 이후 원래 크기로 다시 확대하여 세부 정보를 복원합니다. 최근의 이미지 재스케일링 연구에서는 축소와 확대를 통합된 작업으로 정식화하고, HR과 LR 사이의 전단사 매핑을 역할하는 네트워크를 통해 학습합니다. 그러나 실제 응용 분야(예: 소셜 미디어)에서는 대부분의 이미지가 전송을 위해 압축됩니다. 손실 압축은 LR 이미지에서 되돌릴 수 없는 정보 손실을 초래하므로, 이는 역확대 과정을 손상시키고 복원 정확성을 저하시킵니다. 본 논문에서는 압축에 인식한 이미지 재스케일링을 위한 자기 비대칭 역할 네트워크(Self-Asymmetric Invertible Network, SAIN)를 제안합니다. 분포 변화 문제를 해결하기 위해 먼저 고품질 LR 이미지와 압축된 LR 이미지를 각각 처리하기 위한 두 개의 독립적인 전단사 매핑을 포함하는 end-to-end 비대칭 프레임워크를 개발하였습니다. 그 다음, 이 프레임워크에 대한 경험적 분석을 바탕으로, 잃어버린 정보(축소 및 압축 포함)의 분포를 등방성 가우시안 혼합 모델로 표현하고, 단일 순방향 패스에서 고품질/압축된 LR 이미지를 도출하기 위한 강화된 역할 블록(Enhanced Invertible Block)을 제안하였습니다. 또한, 학습된 LR 이미지를 규제하고 역할성을 향상시키기 위해 여러 손실 함수들을 설계하였습니다. 광범위한 실험 결과는 SAIN이 표준 이미지 압축 형식(JPEG 및 WebP) 하에서 다양한 이미지 재스케일링 데이터셋에 대해 양적 및 질적 평가 측면에서 일관된 성능 향상을 보임을 입증하였습니다.