단일 이미지 초해상도(SISR)는 열화 과정에서 정보가 손실되기 때문에 본질적으로 ill-posed 문제이다. 즉, 단일 저해상도(LR) 이미지는 다수의 그럴듯한 고해상도(HR) 복원 결과에 대응된다. 최근의 확률적 SISR 접근법은 조건부 분포를 모델링함으로써 이러한 문제를 다루고 있으나, 일반적으로 등방성 가우시안(prior) 사전분포를 가정하여 이미지 전반에 걸친 불확실성의 공간적 변이를 간과한다. 본 논문에서는 추정된 불확실성 맵에 의해 조절되는 이방성 가우시안(prior) 사전분포를 통합한, 불확실성 기반의 새로운 확률적 SISR 프레임워크를 제안한다. 우리의 모델은 LR 입력으로부터 공간적으로 변하는 aleatoric 불확실성을 명시적으로 학습하고, 이를 잠재 노이즈의 샘플링을 안내하는 데 사용한 뒤, 결정론적 SISR 기준(baseline) 상에서 잔차(residual)를 복원하기 위해 디코더에 주입한다. 이 접근법은 SISR 과제의 일대다(one-to-many) 성격을 포착할 뿐 아니라, 사전 학습된 결정론적 예측을 중심으로 생성을 수행함으로써 높은 픽셀 수준의 충실도도 보존한다. 광범위한 실험 결과, 본 방법은 왜곡(distortion)과 지각(perceptual) 품질 모두에서 최신 기술 수준의 성능을 달성하며, 특히 생성 모델 기반 최선의 방법들을 PSNR에서 +0.44, LPIPS에서 -0.008의 동시 성능 향상으로 능가하면서도 계산 비용은 더 낮다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.