초록
이미지 디해징은 대기 산란 및 흡수 효과를 줄여 이미지의 명료성과 시각적 품질을 복원하는 것을 목표로 합니다. 딥 러닝은 이 분야에서 상당한 발전을 이루어냈지만, 점점 더 많은 방법들이 네트워크 깊이에 제약을 받고 있습니다. 그 결과, 많은 접근 방식들이 병렬 분기 전략을 채택하였으나, 입력 특성의 분포에 따라 동적으로 분기를 구분하지 않고 해상도, 수용 영역, 또는 주파수 영역 분할 등의 측면을 우선시하였습니다. 동적 필터링에서 영감을 받아, 우리는 피처 맵의 분포에 기반하여 필터 커널을 동적으로 생성하여 다중 분기 네트워크를 구성하기 위한 캐스케이드 동적 필터(Cascaded Dynamic Filters) 사용을 제안합니다. 분기 특성을 더 잘 처리하기 위해, 우리는 다양한 수용 영역을 결합하는 잔차 다중 스케일 블록(Residual Multiscale Block, RMB)을 제안합니다. 또한 인접한 분기들로부터 특성을 통합하기 위한 동적 합성곱 기반 지역 융합 방법도 소개합니다. RESIDE, Haze4K, O-Haze 데이터셋에서 수행된 실험들은 우리의 방법의 유효성을 검증하며, RESIDE-Indoor 데이터셋에서 우리의 모델은 43.21dB의 PSNR 값을 달성하였습니다. 코드는 https://github.com/dauing/CasDyF-Net 에서 확인할 수 있습니다.