빠르고 해석 가능한 비국소 신경망을 이용한 이미지 노이즈 제거: 그룹 희소 합성사전 학습을 통한 방법

자연 이미지 내의 비국소적 자기 유사성은 깊은 학습 모델에서 점점 더 인기 있는 사전 정보가 되고 있습니다. 이러한 모델들은 이미지 복원 성능이 우수하지만, 블랙박스 구조로 인해 해석성이 크게 부족합니다. 우리 이전 연구에서는 사전 최적화 알고리즘을 펼침으로써 최신 블랙박스 대응모델과 동등한 성능을 가진 완전 합성곱 노이즈 제거기(CDLNet)의 해석 가능한 구조를 구현할 수 있음을 보여주었습니다. 본 논문에서는 비국소적 자기 유사성 사전 정보를 사용하여 블랙박스 비국소 모델과 동등한 성능을 가진 합성곱 네트워크의 해석 가능한 구조를 추구합니다. 우리는 CDLNet의 $\ell 1$ 희소성 사전 정보를 가중치 그룹-희소성 사전 정보로 업그레이드함으로써 이러한 구조를 효과적으로 달성할 수 있음을 보입니다. 이 공식화에 따라, 희소 배열 산술에 의해 가능해진 새로운 슬라이딩 윈도우 비국소 연산을 제안합니다. 제안된 슬라이딩 윈도우 희소 주의 메커니즘은 블랙박스 비국소 DNNs와 경쟁력 있는 성능뿐만 아니라, 경쟁 모델보다 10배 이상 빠른 추론 속도를 제공함을 입증하였습니다.