초록
이미지 증강은 여러 해를 가질 수 있는 경향으로 인해 일반적으로 해가 유일하지 않은 역문제로 간주된다. 관측 데이터로부터 원본 이미지를 정확히 재구성하는 데에는 정보 손실이 발생하기 때문에 어려움이 있으며, 결과의 품질 또한 개인의 선호에 따라 주관적으로 달라질 수 있다. 이는 명백히 일대다 매핑 문제를 야기한다. 이를 해결하기 위해, 내재된 불확실성을 포착하고 다양한 출력을 수용할 수 있도록 베이지안 추정을 활용하는 베이지안 증강 모델(Bayesian Enhancement Model, BEM)을 제안한다. 본 연구는 이중 단계 프레임워크 내에서 이러한 접근을 통합하여, 먼저 저차원 이미지 표현을 모델링하기 위해 베이지안 신경망(Bayesian Neural Network, BNN)을 사용하고, 이후 결정론적 네트워크를 통해 세부 사항을 보정한다. 또한, 고차원 공간에서 BNN이 흔히 겪는 수렴 문제를 극복하기 위해 동적 모멘텀 사전(Momentum Prior)을 도입한다. 다양한 저조도 및 수중 이미지 증강 벤치마크를 대상으로 수행한 광범위한 실험 결과는, 특히 참조 이미지가 없는 실세계 적용 상황에서 기존 결정론적 모델에 비해 본 방법이 뛰어난 성능을 보임을 입증하며, 베이지안 모델이 일대다 매핑 문제를 다루는 데 있어 큰 잠재력을 지닌다는 점을 강조한다.