최근 영상 초해상도(SR) 분야의 발전은 트랜스포머 기반 모델과 확산 기반 모델을 도입함으로써 괄목할 만한 성능을 달성하였다. 그러나 높은 계산 복잡도와 메모리 요구량은 실제 환경에서의 배치에 중대한 과제를 제기한다. 이러한 문제를 해결하기 위해, 본 연구에서는 모델 가지치기(pruning)와 지식 증류(knowledge distillation)를 통합한 2단계 경량화 학습 프레임워크를 제안한다. 첫 번째 단계에서는 구조적 보존과 계산 비용 절감을 균형 있게 달성하도록 점진적 국소 필터 가지치기를 통해 효율적인 채널 감축을 수행한다. 두 번째 단계에서는 기존의 L1 기반 응답 증류(response distillation)의 한계를 극복하기 위해 마스크 기반 적응형 응답 증류를 도입하여, 정보가 풍부한 영역에 초점을 맞춘 보다 효과적인 지식 전달이 가능하도록 한다. 다양한 벤치마크 SR 데이터셋에 대한 실험 결과는, 제안된 방법이 기존의 경량화 SR 접근법에 비해 우수한 성능과 효율을 달성함을 보여준다.

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