Related to: Deep Learning
Abstract
Plug-and-Play 영상복원에 대한 최근의 연구들은 Denoiser가 많은 역변환 문제들을 풀기 위한 모델 기반의 방법들의 Image Prior의 역할을 할 수 있음을 암묵적으로 보여주었습니다.
Denoiser가 큰 모델링 용량을 가진 CNN에 의해 차별적으로 학습될 때, 이러한 속성들은 plug-and-play 영상 복원에 대해 고려할 수 있는 이점을 유도합니다.(예: 모델 기반 방법의 유연성과 학습 기반 방법의 효율성을 합칩니다)
그러나 깊고 큰 CNN 모델이 빠르게 인기를 얻으면서, 기존의 plug-and-play 영상복원 모델들은 적절한 사전 denoiser의 부족으로 성능이 잘 향상되지 않았습니다.
저자는 plug-and-play 영상복원의 한계를 뛰어넘기 위하여 매우 유연하고 효율적인 CNN denoiser를 훈련시키고, deep denoiser prior에 대한 밴치마크를 설정했습니다.
이 논문에서 말하는 “Image Prior”란 이미지 복원 문제에서 이미지의 속성을 묘사하는 모델을 의미합니다. 이미지의 속성은 예를 들어 텍스처, 색상, 경계선 등이 있습니다. Image Prior 모델은 이러한 이미지 속성을 수학적으로 표현하여 이미지 복원 문제에서 활용됩니다.
Image Prior 모델은 이미지 복원 작업에서 이미지의 원래 모습을 유추할 수 있도록 도와줍니다. 이 모델은 이미지가 가지고 있는 특정한 속성을 고려하여 이미지를 복원합니다. 예를 들어, 이미지 속성을 “부드러운 텍스처”로 설정하면, 복원된 이미지에서 텍스처가 부드럽게 처리됩니다.
이 논문에서 제안한 Deep Denoiser Prior는 이미지가 가지고 있는 텍스처, 색상 등의 다양한 속성을 학습하여 이를 기반으로 이미지를 복원합니다. 이러한 Image Prior 모델을 이용하면 이미지 복원 작업에서 보다 정확하고 자연스러운 결과물을 얻을 수 있습니다.