이미지 분류 구조의 재검토
분류에 유용한 구성 요소가 화소를 세밀하게 복원하는 작업에도 항상 필요한 것은 아니다. EDSR는 기존 잔차망에서 초해상도에 맞지 않는 부분을 줄이고 복원에 필요한 용량을 확장한다. 깊이와 크기를 늘리는 것만으로 같은 결과를 얻는 것은 아니다.
잔차와 학습 안정성
잔차 경로는 기존 특징에 보정량을 더하는 형태로 정보를 전달한다. 큰 모델에서는 학습을 안정적으로 유지하는 설계도 중요하다. 잔차 학습을 쓴다고 모든 잃어버린 고주파 성분을 유일하게 복구할 수 있다는 뜻은 아니다.
보정량의 예
설명용으로 어떤 특징 값이 10이고 보정값이 3이라면 합은 13이다. 보정을 0.1배로 줄여 더하면 10.3이다. 보정 크기는 정보와 학습 안정성에 영향을 줄 수 있다. 이는 일반 잔차 계산 예이며 실제 EDSR의 모든 블록에 같은 값이 들어간다는 뜻은 아니다.
배율과 비교 조건
같은 연구의 MDSR는 여러 확대 배율을 한 모델에서 다루는 구성이다. EDSR의 단일 배율 설정과 혼동하지 않아야 한다. 학습 축소 방식, 확대 배율과 색 공간을 맞춰 화소 오차 및 시각 품질을 비교하고 매개변수와 전체 실행 비용도 함께 확인한다.
관련 문서
RCAN / SwinIR / Real-ESRGAN / NAFNet / Restormer / 잔차 신경망