이미지 초해상도 향상을 위한 피드백 네트워크 연구 (Study on Feedback Networks for Enhanced Image Super-Resolution)

서지정보

· 발행기관 : 한국실천공학교육학회
· 수록지 정보 : 실천공학교육논문지 / 16권 / 5호 / 611 ~ 618페이지
· 저자명 : 정헌석, 허재혁, 양수미, 곽성범

초록

딥러닝 기술의 급속한 발전은 단일 이미지 초해상도(SR, super-resolution) 성능 향상에 큰 기여를 하였다. 그러나 대부분의 기 존 딥러닝 기반 이미지 SR 네트워크는 정보 흐름이 순방향으로만 이루어져 성능에 한계를 보인다. 본 연구에서는 정확한 이미 지 SR을 위한 피드백 네트워크를 제안한다. 이 피드백 네트워크는 여러 상위 수준의 특징을 재라우팅하여 하위 수준 특징 표현 을 효과적으로 강화한다. 우리는 여러 잔차 밀도 모듈을 연속적으로 구성하고, 이를 시간에 따라 반복적으로 적용한다. 인접한 두 시간 단계 사이의 다중 피드백 연결은 충분한 문맥 정보를 가지지 못한 하위 수준 특징을 개선하기 위해, 큰 수용 필드에서 캡처된 여러 상위 수준 특징을 활용한다. 정교하게 설계된 피드백 모듈은 재라우팅된 상위 수준 특징에서 유용한 정보를 효율 적으로 선택하고 이를 강화하여, 향상된 상위 수준 정보를 바탕으로 하위 수준 특징을 개선한다. 다양한 실험을 통해 제안된 방 법이 객관적 및 주관적 평가에서 우수함을 입증하였다.

영어초록

The rapid advancement of deep learning has significantly enhanced the performance of single image super-resolution (SR). However, most existing deep learning-based image SR networks only facilitate information flow in the forward direction, which limits their performance. In this study, we investigate a feedback network for precise image SR. This feedback network effectively enhances lower-level feature representation by rerouting multiple higher-level features. We sequentially construct several Residual Density Modules and deploy them repeatedly over time. Multiple feedback connections between two adjacent time steps leverage high-level features captured within a large receptive field to refine low-level features lacking sufficient contextual information. A carefully designed feedback module efficiently selects and enhances valuable information from the rerouted high-level features, thereby improving low-level features with enriched high-level information. Extensive experiments demonstrate that the proposed method outperforms existing approaches in both objective and subjective evaluations.

참고자료

· 없음