다중 규모 복원
넓은 영역의 안개와 작은 경계를 함께 다루려면 서로 다른 규모의 정보가 필요하다. MSBDN은 U-Net 구조를 바탕으로 특징을 추출하고 영상을 복원한다. 축소한 특징의 넓은 문맥과 고해상도의 위치 정보는 서로 다른 역할을 한다.
복원을 강화하는 디코더
디코더에는 Strengthen-Operate-Subtract 전략을 이용한 부스팅을 적용한다. 특징을 복원하는 단계를 점진적으로 강화하려는 구성이다. 여기서 부스팅은 여러 분류기를 투표로 합치는 구성과 동일한 의미로 해석하면 안 된다.
피드백과 공간 정보
조밀한 특징 융합은 역투영 피드백을 활용해 부족한 공간 정보를 보완하고 인접하지 않은 단계의 특징도 이용한다. 예를 들어 설명용 1차원 값 (0, 2)와 (1, 1)은 평균이 모두 1이지만 경계는 다르다. 평균만으로 원래 배열을 구별할 수 없다는 독립 예제다.
비교할 조건
고해상도 정보를 연결해도 안개 아래의 모든 질감을 정확히 되찾는 것은 아니다. 원래 없던 경계나 색 변화가 생기는지도 확인한다. 같은 입력 크기에서 실행 비용을 비교하고 합성 데이터의 평균 점수와 실제 안개의 영역별 결과를 구분한다.
관련 문서
AECR-Net / GridDehazeNet / FFA-Net / AOD-Net / DehazeFormer / 합성곱 신경망