잡음 제거기의 다른 역할
잡음 제거 신경망은 깨끗한 영상의 특성을 학습한다. DPIR은 이 능력을 모듈로 활용해 잡음 제거 이외의 복원 문제에도 연결한다. 흐림 제거와 초해상도는 관측 과정이 다르므로 같은 잡음 제거기를 사용해도 데이터에 맞추는 단계는 달라진다.
관측과 사전 정보
반복 알고리즘 안에서 관측 모형에 대한 적합성과 학습한 영상 사전 정보를 함께 반영한다. Half Quadratic Splitting에 기반해 문제를 나누어 다룬다. 단순히 흐린 사진을 일반 잡음 제거기에 한 번 통과시키는 구성과는 구별된다.
관측의 모호함
설명용 관측이 두 화소의 평균뿐이라면 (0, 2)와 (1, 1)은 모두 관측값 1을 만든다. 관측을 만족한다는 조건만으로 원래 배열을 정할 수 없다. 사전 정보가 해의 선택에 관여할 수 있다는 독립 예제이며 실제 알고리즘의 목적함수 전체를 나타내지는 않는다.
반복 결과의 확인
반복 횟수와 매개변수 설정, 중간 결과를 함께 살펴야 한다. 경험적으로 안정된다고 모든 관측 모형에서 수렴이 보장되는 것은 아니다. 품질과 함께 반복 전체의 실행 비용을 비교하고 관측 모형이 실제 열화와 다른 경우의 결과도 확인한다.
관련 문서
SADNet / DnCNN / FFDNet / Deep Image Prior / MIMO-UNet / 역문제