학습한 가중치와 구조의 역할
복원 신경망의 성능은 외부 이미지에서 얻은 가중치뿐 아니라 구조에도 영향을 받는다. Deep Image Prior는 사전 학습되지 않은 생성망의 표현을 이용해 이 구조적 편향을 살핀다. 특정 물체의 의미나 실제 원본을 처음부터 알고 있다는 뜻은 아니다.
현재 관측에 맞추는 최적화
고정된 입력 텐서에서 이미지를 생성하고 손상 모형에 따른 관측과 일치하도록 가중치를 갱신한다. 외부 학습 자료가 없다는 표현과 최적화 계산이 없다는 표현은 다르다. 이미지마다 반복 계산이 필요하다.
관측 손실과 실제 정답 예
설명용으로 깨끗한 값이 10인데 관측이 13이라고 하자. 출력 12의 관측 제곱 오차는 1이고 출력 13이면 0이다. 그러나 정답 오차는 각각 4와 9다. 관측에 더 잘 맞는다고 복원이 더 정확한 것은 아니라는 계산이다.
일찍 멈추는 이유
잡음 관측을 너무 오래 맞추면 잡음까지 재현할 수 있어 조기 종료가 중요하다. 실제 정답이 없을 때 적절한 종료 시점을 고르는 문제도 남는다. 반복 수, 구조와 손상 조건을 맞춰 품질 및 시간을 비교하고 단일 순전파 사전 학습 모델의 실행 비용과 구분한다.
관련 문서
Noise2Self / Noise2Void / Noise2Noise / NAFNet / Restormer / 합성곱 신경망