한 장으로 안개를 제거하기
안개 영상 하나에서 원래 장면을 알아내는 문제는 답이 하나로 정해지기 어렵다. FAMED-Net은 안개 없는 이미지를 종단 간 학습으로 직접 얻는 접근이다. 복잡한 모형의 계산량과 표현 능력 사이의 균형을 다룬다.
세 척도의 정보
서로 다른 세 척도의 부호화기와 융합 모듈을 둔다. 부호화기는 점별 합성곱 층과 풀링 층을 이어 구성하고 조밀한 연결로 앞선 특징을 재사용한다. 큰 합성곱 커널만으로 주변 정보를 모으는 구조와 다르다.
점별 합성곱과 풀링
점별 합성곱은 한 위치에서 채널 정보를 섞는 역할을 이해하는 데 도움이 된다. 풀링은 주변 위치의 정보를 집약한다. 점별 연산을 사용한다는 이유만으로 전체 모형이 이웃 위치를 전혀 보지 않는다고 해석해서는 안 된다.
계산 예와 실제 속도
설명용 입력 채널 8개와 출력 채널 4개를 잇는 1×1 합성곱의 가중치는 편향을 제외하면 32개다. 같은 채널 조건의 3×3은 288개다. 이는 한 층의 예이며 실제 모델 크기나 전체 실행 시간이 아홉 배 차이 난다는 뜻은 아니다.
관련 문서
AOD-Net / DehazeFormer / FFA-Net / GridDehazeNet / MSBDN / AECR-Net