카스케이드드게이즈: 이미지 복원을 위한 글로벌 컨텍스트 추출의 효율성

이미지 복원 작업은 전통적으로 합성곱 신경망(Convolutional Neural Networks)에 의존해 왔다. 그러나 합성곱 연산자의 국소적 성격으로 인해 전역 정보를 효과적으로 포착하지 못하는 문제가 있다. 트랜스포머(Transformer)에 도입된 어텐션 메커니즘은 이 문제를 극복할 수 있는 가능성을 제시하지만, 그 대가로 계산 비용이 매우 증가한다는 단점이 존재한다. 최근 이미지 복원 분야의 많은 연구들은 트랜스포머의 변종을 통해 성능과 계산 비용 사이의 균형을 해결하는 데 집중하고 있다. 본 논문에서는 전역 정보를 효율적으로 추출할 수 있는 새로운 방식인 전역 맥락 추출기(Global Context Extractor, GCE)를 채택한 인코더-디코더 아키텍처인 캐스케이드드게이즈 네트워크(CascadedGaze Network, CGNet)를 제안한다. GCE 모듈은 자기 어텐션(self-attention)을 요구하지 않고도 소형 커널을 합성곱 계층에 걸쳐 활용하여 전역 종속성을 학습한다. 광범위한 실험 결과를 통해 제안한 방법이 합성 이미지 노이즈 제거 및 단일 이미지 흐림 제거 과제에서 다양한 최첨단 기법들과 경쟁 가능한 성능을 보이며, 특히 실제 이미지 노이즈 제거 과제에서는 성능 경계를 더욱 확장함을 입증하였다.