이미지 향상을 위한 공간적 인접성을 활용한 계층적 동역학 학습

다양한 실제 이미지 향상 응용 분야에서 왜곡은 항상 비균일하거나 비일관적이며 다양한 특성을 가지므로, 추론 단계에서 고정된 파라미터를 가진 대부분의 딥 네트워크에 도전을 제기한다. 입력 조건에 따라 모델 구조나 파라미터를 동적으로 조정하는 동적 딥 네트워크의 아이디어에 영감을 받아, 지역에서 전역으로까지 모델 파라미터와 특징을 적응시키면서 동시에 영역 내 공간적 인접성을 유지할 수 있는 DCP(다크 채널 프리어) 지도형 계층적 동적 메커니즘을 제안한다. 구체적으로, 채널-공간 수준, 구조 수준, 영역 수준의 동적 구성 요소를 순차적으로 적용한다. 채널-공간 수준의 동적 요소는 채널 및 공간적 표현의 변화를 추출하고, 구조 수준의 동적 요소는 기하학적 변환을 모델링하며, 변하는 지역 특징에 대해 샘플링 위치를 증강함으로써 구조적 특성을 더 잘 설명할 수 있도록 한다. 더불어, 새로운 영역 수준의 동적 메커니즘을 제안하여 동적 특징에 대해 공간적으로 연속적인 마스크를 생성하며, 이는 다크 채널 프리어(Dark Channel Priors, DCP)에 기반한다. 제안된 영역 수준의 동적 메커니즘은 왜곡된 이미지와 왜곡되지 않은 이미지 간의 통계적 차이를 활용함으로써 효과를 극대화한다. 또한, DCP 기반의 영역 생성은 본질적으로 공간적 일관성을 갖추고 있어 이미지의 국소적 일관성을 효과적으로 포착할 수 있다. 제안된 방법은 이미지 제거렴, 비 오는 이미지 복원, 저조도 이미지 향상 등 다양한 향상 작업에서 최신 기술 수준의 성능을 달성하며, 시각적으로 매력적인 결과물을 생성한다. 코드는 https://github.com/DongLiangSXU/HDM 에서 공개되어 있다.