초해상도 문제의 부정확성 극복을 위한 적응형 타겟 생성 접근법

초해상도(SR) 문제의 1대다(one-to-many) 특성에 따라, 하나의 저해상도(LR) 이미지는 여러 개의 고해상도(HR) 이미지로 매핑될 수 있다. 그러나 기존의 학습 기반 SR 알고리즘은 훈련 데이터셋 내 해당 LR 이미지에 대응하는 참값(GT) HR 이미지로 매핑되도록 훈련된다. 출력이 GT 타겟과 정확히 일치하지 않을 경우, 훈련 손실이 증가하고 알고리즘이 이를 처벌하게 되는데, 이는 수학적으로 SR 프레임워크에 부합하는 유효한 후보임에도 불구하고 발생한다. 특히 눈에 보이지 않는 블러 커널(blur kernel)이 다양하게 존재하는 블라인드 SR의 경우, 문제의 불안정성(ill-posedness)이 더욱 심화되어 이는 더욱 큰 문제로 작용한다. 이러한 문제를 해결하기 위해, 본 연구에서는 적응형 타겟(adaptive target) 개념을 도입함으로써 SR에 대한 근본적으로 다른 접근 방식을 제안한다. 적응형 타겟은 원래의 GT 타겟을 SR 네트워크의 출력과 일치하도록 변환함으로써 생성된다. 이 적응형 타겟은 SR 알고리즘이 다양한 유효한 해를 수용할 수 있는 유연성을 제공함으로써, SR 문제의 불안정성을 효과적으로 다룰 수 있도록 한다. 실험 결과를 통해 제안된 알고리즘의 효과성을 입증하였으며, 특히 고해상도 출력의 인지적 품질(perceptual quality) 향상 측면에서 뛰어난 성능을 보였다.