재료 지향적 다중 붕괴 학습을 통한 이미지 복원

다양한 이미지 복원 작업 간의 관계를 효과적으로 활용하는 것은 퇴화의 내재적 요소를 밝히는 데 매우 유익하다. 최근 들어, 하나의 모델 내에서 여러 이미지 퇴화를 동시에 처리하는 '일괄형(All-in-one)' 접근 방식이 활발히 발전하고 있다. 그러나 실질적으로는 다양한 이미지 퇴화의 근본적인 요소를 탐구함으로써 작업 간 상관관계를 탐색하는 시도가 거의 이루어지지 않았으며, 이로 인해 추가적인 작업이 포함될수록 성능의 확장성(스케일러빌리티)이 떨어지는 문제가 발생하고 있다. 본 논문에서는 이러한 문제를 해결하기 위해, 기존의 작업 중심적 접근 방식이 아닌, '요소 중심적(ingredients-oriented)' 관점에서 퇴화를 탐구하는 새로운 접근 방식을 제안한다. 구체적으로, 본 연구에서 제안하는 '요소 중심의 퇴화 재정의 프레임워크(Ingredients-oriented Degradation Reformulation, IDR)'는 두 단계로 구성된다. 첫 번째 단계는 작업 중심의 지식 수집이며, 각 퇴화 유형에 대해 물리적 원리에 기반한 적절한 전처리를 수행하고, 해당 퇴화 유형에 맞는 사전 허브(prior hub)를 구축한다. 두 번째 단계에서는 학습 가능한 주성분 분석(PCA, learnable Principal Component Analysis)을 통해 이전에 생성된 작업 중심 허브를 점진적으로 하나의 요소 중심 허브로 재구성하며, 확률적 미지 퇴화 제거를 위해 동적 라우팅(dynamic routing) 메커니즘을 도입한다. 다양한 이미지 복원 작업에 대한 광범위한 실험 결과는 제안한 방법의 효과성과 뛰어난 확장성을 입증한다. 특히 중요한 점은, IDR가 미지의 하류 작업에 대해서도 우수한 일반화 능력을 보여준다는 것이다.