학습 가능한 이산 웨이블릿 변환을 갖춘 효율적인 다중 스케일 네트워크를 통한 블라인드 모션 디블러링

거시적에서 미시적 방식은 전통적인 단일 이미지 운동 흐림 제거에 널리 사용되지만, 딥러닝 환경에서는 기존의 다중 해상도 알고리즘들이 낮은 해상도 RGB 이미지와 깊은 의미 정보 간의 특징 융합을 위해 복잡한 모듈을 사용해야 하며, 신뢰도가 충분하지 않은 수동적인 저해상도 이미지 쌍을 생성해야 하는 문제가 있다. 본 연구에서는 단일 입력 및 다중 출력(SIMO) 기반의 다중 해상도 네트워크를 제안한다. 이는 거시적에서 미시적 방식에 기반한 알고리즘의 복잡성을 간소화한다. 다중 해상도 아키텍처 사용으로 인해 발생할 수 있는 세부 정보 복원 결함을 완화하기 위해, 실제 세계의 흐림 궤적 특성과 학습 가능한 웨이블릿 변환 모듈을 결합하여 흐린 이미지에서 선명한 이미지로의 단계적 전이 과정에서의 방향성 연속성과 주파수 특징에 주목한다. 결론적으로, 학습 가능한 이산 웨이블릿 변환(MLWNet)을 갖춘 다중 해상도 네트워크를 제안하며, 주관적 및 객관적 품질 측면에서 여러 실제 세계 흐림 제거 데이터셋에서 최신 기술 수준의 성능을 보이며, 계산 효율성 면에서도 뛰어난 성능을 나타낸다.