자기지도 비균일 커널 추정과 흐름 기반 운동 사전을 이용한 맹목적 이미지 흐림 제거

블라인드 이미지 디블러링을 위한 많은 딥러닝 기반 접근법은 흐린 관측값에서 블러 표현을 추정하고, 이를 바탕으로 원본 이미지를 재구성한다. 그러나 이러한 방법들은 실제 환경에서 심각한 성능 저하를 겪는다. 그 이유는 실제 움직임 블러가 다양하고 공간적으로 변하는 특성을 고려하지 않기 때문이다. 일부 연구에서는 CNN을 활용해 비균일한 블러 커널을 직접 추정하려는 시도를 했지만, 실제 이미지에서 공간적으로 변화하는 블러 커널에 대한 지정된 정답(ground truth)이 부족하기 때문에 정확한 추정은 여전히 도전 과제이다. 이러한 문제를 해결하기 위해, 우리는 정규화 흐름(normalizing flows)을 이용해 움직임 블러 커널의 필드를 잠재 공간(latent space)에서 표현하고, 직접 움직임 커널을 예측하는 대신 잠재 코드(latent codes)를 예측하는 CNN 구조를 설계하였다. 더불어, 비균일 커널 추정의 정확성과 강건성을 향상시키기 위해 잠재 코드 추정 과정에 불확실성 학습(uncertainty learning)을 도입하고, 이미지 특징과 추정된 커널을 더 효과적으로 통합하기 위한 다중 해상도 커널 주의 모듈(multi-scale kernel attention module)을 제안한다. 광범위한 실험 결과, 특히 실제 블러 데이터셋에서의 평가를 통해 제안한 방법이 주관적 및 객관적 품질 측면에서 최신 기술 수준(SOTA)의 성능을 달성하며, 비균일 이미지 디블러링에 있어 뛰어난 일반화 능력을 보임을 입증하였다. 코드는 다음 주소에서 확인 가능하다: https://see.xidian.edu.cn/faculty/wsdong/Projects/UFPNet.htm.