실제 환경에서 블러 픽셀 이산화를 통한 효율적인 블라인드 운동 모션 디블러어링

최근 모바일 카메라 기술의 발전으로 4K 이미지와 같은 고해상도 이미지를 촬영할 수 있게 되면서, 대규모 운동 왜곡을 효과적으로 처리할 수 있는 탈왜곡 모델에 대한 수요가 증가하고 있다. 본 논문에서는 이미지 잔차 오차, 즉 왜곡-선명 픽셀 간 차이가 운동 왜곡의 유형과 인접 픽셀의 복잡도에 따라 특정 범주로 분류될 수 있음을 발견하였다. 이 발견을 바탕으로, 탈왜곡(회귀) 작업을 왜곡 픽셀의 이산화(픽셀 수준의 왜곡 분류)와 이산화된 값에서 연속값으로의 변환(왜곡 클래스 맵을 이용한 회귀)이라는 두 단계로 분해하였다. 구체적으로, 왜곡 픽셀을 식별하여 이산화된 이미지 잔차 오차를 생성한 후, 이를 연속 형태로 변환하는 방식으로 처리함으로써, 기존 연속 값으로 직접 회귀 문제를 해결하는 방식보다 계산 효율성이 뛰어나다. 여기서 우리는 이산화 결과, 즉 왜곡 세그멘테이션 맵이 이미지 잔차 오차와 시각적으로 높은 유사성을 보임을 확인하였다. 결과적으로, 본 연구에서 제안하는 효율적인 모델은 실제 벤치마크에서 최신 기술 수준의 방법들과 비교해 유사한 성능을 달성하면서도, 계산 효율성 측면에서 최대 10배 뛰어난 성능을 보였다.