Single Image Super-Resolution을 위한 패치 기반 ResNet 구조 최적화 연구

Patch-based ResNet Optimization for Single Image Super-Resolution

연구 내용

패치 입력과 ResNet 기반 구조에서 성능을 제한하는 경계 효과를 줄여 Single Image Super-Resolution을 개선하는 연구

Single Image Super-Resolution에서 입력이 한 장으로 제한될 때 생기는 underdetermined 특성 때문에 깊은 신경망 구조가 필요합니다. 연구에서는 ResNet의 skip connection 장점을 유지하면서도 패딩에 의해 생기는 출력 왜곡을 줄이는 방향으로 SRResNet의 학습·추론 구성을 설계합니다. 특히 patch 기반 처리로 데이터 활용성과 학습 효율을 확보하고, 단일 full image 기반 접근과의 성능 차이를 비교하여 네트워크 구성의 차별성을 확인합니다.

관련 프로젝트

0건

연구 흐름

초기에는 SR 문제의 underdetermined 성격을 고려하여 ResNet 기반 SRResNet에 대해 patch 입력을 적용하고, zero padding이 skip connection 효과를 제한할 수 있음을 분석했습니다. 이후 2022년 연구에서는 Partial Convolution based Padding을 통해 패딩으로 인한 경계 영향을 완화하며, patch 기반 성능이 full image 기반보다 개선될 수 있음을 실험적으로 보였습니다. 2024년에는 zero padding에서 발생하는 convolution 출력 오차를 필터 특성을 반영해 보정하는 보정 알고리즘을 제안하고, 기존 PCP 대비 일반화 성능을 확인하는 흐름으로 확장했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

고해상도 이미지 복원 알고리즘
저해상도 영상 전처리 파이프라인
경계 효과 완화 기반 SR 모델 설계
패치 단위 학습 스케줄링
경량 SR 추론 구조 검증
의료 영상 복원 전단계
U-Net 연계 입력 품질 개선
실험 데이터 효율 향상
해상도 향상용 품질 지표 기반 평가
패딩 민감도 저감 학습 전략