학습하는 전처리
사람이 고정된 영상 변환을 골라 입력을 만드는 대신 전처리 모듈 자체를 학습한다. 복원에 필요한 다양한 특징을 만들도록 전체 네트워크와 연결한다. 학습 가능한 전처리가 모든 촬영 조건에서 항상 더 유리하다는 뜻은 아니다.
규모 사이의 연결
격자형 본체는 여러 규모의 표현을 연결하고 어텐션으로 정보를 결합한다. 단일한 축소와 확대 경로에 정보가 집중되는 병목을 줄이려는 구성이다. 후처리는 최종 영상의 인공적인 흔적을 줄이는 역할을 한다.
축소가 줄이는 정보
설명용으로 4×4 영상은 16개 위치를 갖지만 2×2로 줄이면 위치 수는 4개다. 여러 위치가 합쳐지면서 작은 경계가 약해질 수 있다. 다중 규모 연결의 의미를 보여주는 예이며 실제 모델의 해상도나 다운샘플링 규칙을 나타내지는 않는다.
물리 모형과의 관계
깨끗한 영상을 복원할 때 대기 산란 모형의 변수를 명시적으로 추정하는 경로에 의존하지 않는다. 물리적 가정의 유용성과 신경망의 표현 제약은 별도로 검토할 문제다. 합성 안개와 실제 안개에서 색, 세부 구조 및 남은 안개를 함께 비교해야 한다.
관련 문서
FFA-Net / AOD-Net / DehazeFormer / SwinIR / NAFNet / 합성곱 신경망