최근 딥러닝 기반 모델의 발전은 사진과 같은(또는 지각적) 단일 이미지 초해상도를 유의미하게 향상시켰다. 그러나 강력한 성능에도 불구하고, 많은 방법들은 높은 계산 요구량으로 인해 실제 응용에 적용하기가 어렵다. 이러한 요구 하에서 딥 모델의 활용을 용이하게 하기 위해, 우리는 성능을 유지하면서 네트워크의 효율성을 유지하는 데 초점을 둔다. 구체적으로, 제한된 자원 내에서 다층 수준의 특징 융합을 통해 성능을 향상시키기 위해 잔차 네트워크(residual network) 상에서 연쇄(cascading) 메커니즘을 구현하는 아키텍처를 설계한다. 또한 제안된 모델은 극단적 효율성을 달성하기 위해 그룹 합성곱(group convolution)과 재귀적(recursive) 기법을 채택한다. 더 나아가, 적대적 학습(adversarial learning) 패러다임과 멀티스케일 판별기(multi-scale discriminator) 접근을 사용하여 출력의 지각적 품질을 추가로 향상시킨다. 본 방법의 성능은 다양한 데이터셋을 사용한 광범위한 내부 실험과 벤치마크를 통해 조사하였다. 그 결과, 본 연구의 모델은 전통적인 픽셀 기반 과제와 지각 기반 과제 모두에서 유사한 복잡도를 갖는 최근 방법들보다 더 우수한 성능을 보였다.

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