양쪽 예시를 사용하는 학습
맑은 목표 영상만 가까이 따라가게 하는 대신 안개 낀 입력도 부정 예시로 활용한다. 표현 공간에서 복원 결과가 어느 쪽과 비슷한지를 학습에 반영한다. 화소가 단순히 더 밝아지거나 대비가 강해지는 것만을 목표로 삼는 것은 아니다.
작은 복원망의 구성
오토인코더와 비슷한 구조에 적응적 혼합 연산 및 동적 특징 강화 모듈을 결합한다. 정보 전달을 조절하고 더 넓은 문맥을 활용하려는 설계다. 대조 정규화라는 학습 목적과 실제 영상을 출력하는 신경망 구조는 구분할 수 있다.
거리의 간단한 예
설명용 1차원 표현에서 맑은 기준이 0, 안개 기준이 10이라고 하자. 복원 표현이 6에서 3으로 바뀌면 맑은 기준까지 거리는 6에서 3으로 줄고 안개까지 거리는 4에서 7로 늘어난다. 이는 개념 예제이며 실제 특징 추출기나 손실 함수의 계산을 대신하지 않는다.
평가와 적용 범위
표현 거리가 좋아져도 원래 장면의 세부가 모두 맞는다는 보장은 없다. 얇은 안개와 짙은 안개, 실내외에서 색과 경계를 따로 확인한다. 모델 크기의 이점은 동일한 해상도와 실행 환경에서 메모리 및 처리 시간을 함께 비교해야 드러난다.
관련 문서
MSBDN / FFA-Net / GridDehazeNet / DehazeFormer / AOD-Net / 대조 학습