위치와 특징을 구분하는 이유
하늘과 가까운 물체에서 필요한 복원 정도는 다를 수 있다. 특징 채널도 서로 다른 정보를 담는다. FFA-Net은 채널과 화소에 대한 어텐션을 결합해 이러한 차이를 반영한다. 여기서 어텐션 가중치는 특정 물체의 의미나 복원 정답을 보증하는 값은 아니다.
잔차와 단계별 융합
기본 블록에는 국소 잔차 학습과 특징 어텐션이 들어간다. 여러 깊이의 특징도 학습된 중요도를 이용해 합친다. 얕은 층의 정보가 깊은 층으로 전달될 경로를 두며 모든 단계의 출력을 같은 비중으로 취급하지 않는다.
가중치가 달라지는 예
설명용 특징 두 개가 2와 8이고 가중치가 0.75와 0.25라면 가중합은 3.5다. 가중치를 뒤집으면 6.5가 된다. 같은 입력 특징도 강조 방식에 따라 다른 표현이 된다. 이는 융합을 설명하는 독립 예제이며 실제 블록 전체의 계산식은 아니다.
복원 결과의 해석
안개가 사라져 보이는 것과 원래 색 및 질감이 정확히 복원되는 것은 다를 수 있다. 가까운 대상과 먼 대상, 얇고 두꺼운 안개의 결과를 나누어 확인한다. 평균 품질 지표와 함께 색 변화나 경계의 과도한 강조도 살펴야 한다.
관련 문서
GridDehazeNet / AOD-Net / DehazeFormer / RCAN / Restormer / 합성곱 신경망