AKDT: 효과적인 이미지 노이즈 제거를 위한 적응형 커널 확장 트랜스포머

이미지 노이즈 제거는 고해상도 이미지와 복잡한 노이즈 패턴을 다룰 때 특히 기초적이면서도 도전적인 작업이다. 기존의 대부분의 방법들은 표준 트랜스포머 아키텍처에 의존하지만, 이러한 접근 방식은 높은 계산 복잡도와 다양한 노이즈 수준에 대한 적응성 부족이라는 한계를 가지고 있다. 본 논문에서는 학습 가능한 확장률( dilation rate )을 컨볼루션 내에서 최대한 활용하는 새로운 트랜스포머 기반 모델인 적응형 커널 확장 트랜스포머(Adaptive Kernel Dilation Transformer, AKDT)를 제안한다. AKDT는 여러 층과 고유한 설계를 가진 블록으로 구성되며, 특히 새로 제안한 학습 가능한 확장률( Learnable Dilation Rate, LDR ) 모듈을 활용하여 노이즈 추정기( Noise Estimator, NE ) 모듈을 구축한다. AKDT의 핵심인 NE는 표준 트랜스포머 구성 요소와 원활하게 통합되어 노이즈 지도형 피드포워드 네트워크( Noise-Guided Feed-Forward Network, NG-FFN )와 노이즈 지도형 다중 헤드 자기주의( Noise-Guided Multi-Headed Self-Attention, NG-MSA )를 형성한다. 이러한 노이즈 조절형 트랜스포머 구성 요소는 모델이 뛰어난 노이즈 제거 성능을 달성하면서도 계산 비용을 크게 줄이는 데 기여한다. 다양한 이미지 노이즈 제거 벤치마크에서 실시한 광범위한 실험 결과는 AKDT가 새로운 최고 성능 기준을 설정함을 보여주며, 실제 및 합성 노이즈 모두를 효과적으로 처리함을 입증한다. 소스 코드와 사전 학습된 모델은 공개되어 있으며, https://github.com/albrateanu/AKDT 에서 확인할 수 있다.