인식과 복원의 다른 요구
이미지를 어떤 종류로 분류하는 일과 안개 아래의 화소를 복원하는 일은 필요한 정보가 다르다. DehazeFormer는 Swin의 일부 기본 설계가 안개 제거에 맞지 않는다는 분석에서 출발한다. 트랜스포머라는 이름만으로 복원 품질을 판단하기 어렵다.
블록의 세부 조정
정규화 층, 활성화 함수와 공간 정보를 모으는 방식을 변경한다. 여러 크기의 변형을 학습해 구조와 비용을 비교한다. 한 구성 요소의 효과와 모델 용량 및 학습 자료의 효과는 나누어 확인해야 한다.
평균 오차가 같은 예
설명용으로 두 영역의 절대 오차가 (0, 10)인 경우와 (5, 5)인 경우는 평균이 모두 5다. 하지만 특정 영역의 강한 실패는 서로 다르다. 평균 점수 하나만으로 불균일한 안개의 복원 품질을 모두 설명하기 어렵다는 예이며 실제 모델 손실을 나타내지는 않는다.
실제 안개의 다양성
균일한 합성 안개와 실제의 공간적으로 불균일한 안개는 분포가 다를 수 있다. 실내외와 먼 대상, 안개 경계의 결과를 나누어 확인한다. 색 변화와 후광 및 세부 보존을 함께 평가하고 같은 해상도와 모델 크기 조건에서 메모리 및 실행 비용을 비교한다.
관련 문서
AOD-Net / SwinIR / Restormer / NAFNet / RetinexNet / 비전 트랜스포머