확대보다 넓은 변형
영상 워핑은 직사각 격자에 놓인 이미지를 다른 모양으로 옮기는 문제다. 가로와 세로를 다르게 늘리거나 원근을 바꾸는 변환도 포함한다. LTEW는 암묵 신경 표현과 지역 질감 추정을 결합해 연속적인 형태의 출력을 다룬다.
질감과 좌표 변환
깊은 초해상도 부호화기로부터 지역 질감을 추정한다. 여기에 위치에 따라 달라지는 좌표 변환의 야코비안 정보를 적용해 뒤틀린 영상의 푸리에 응답을 예측한다. 좌표만 바꾸는 것과 변환에 따라 질감의 주파수 특성이 달라지는 것을 함께 고려한다.
비대칭 확대의 예
설명용 가로 100과 세로 80인 영상을 가로 두 배, 세로 세 배로 늘리면 출력은 200×240이다. 두 축의 변형 정도가 다르므로 한 개의 균일 확대율만으로는 표현할 수 없다. 이는 개념 예제이며 실제 모델의 학습 크기나 입력 설정은 아니다.
워핑과 사실적 복원
비대칭 초해상도와 호모그래피 변환을 평가하고 학습에 없던 좌표 변환에 대한 일반화도 다룬다. 큰 확대에서 출력 격자를 채울 수 있다는 사실만으로 원본에 보이지 않던 정보를 확인할 수는 없다. 기하 변환의 일관성과 생성된 세부의 정확성은 따로 살핀다.