초록
이미지 복원은 훼손된 관측 이미지로부터 명확한 이미지를 재구성하는 것을 목표로 한다. 컨볼루션 신경망은 이 과제에서 우수한 성능을 달성해 왔다. 최근에는 트랜스포머의 활용이 장거리 의존성을 모델링함으로써 최첨단 성능에서 중요한 진전을 이루었다. 그러나 이러한 심층 아키텍처는 주로 공간 차원에 대한 표현 학습 향상에 집중하며, 채널 간 상호작용의 중요성은 간과하고 있다. 본 논문에서는 이중 도메인 채널 주의 메커니즘을 제안함으로써 채널 상호작용의 잠재력을 탐구한다. 구체적으로, 공간 도메인 내 채널 주의는 학습된 동적 가중치에 따라 인접 채널로부터 유의미한 신호를 각 채널이 집약할 수 있도록 한다. 또한, 훼손된 이미지와 정상 이미지 쌍 사이의 주파수 성분 간 두드러진 차이를 효과적으로 활용하기 위해, 은유적 주파수 도메인 채널 주의를 개발하여 다양한 주파수에서의 정보 통합을 촉진한다. 광범위한 실험 결과를 통해 제안된 네트워크인 ChaIR이 이미지 제거, 이미지 운동/초점 왜곡 제거, 이미지 눈보라 제거, 이미지 비 제거 등 다섯 가지 이미지 복원 과제에 대해 13개의 벤치마크 데이터셋에서 최첨단 성능을 달성함을 입증하였다.