Efficient Visual Restoration and Data Augmentation
연구 내용
제한된 계산 자원에서 성능을 유지하는 경량 신경망 구조와 다중 단계 증강 전략을 통해 단일 이미지 초해상 및 저수준 비전 성능을 개선하는 연구
딥러닝 기반 저수준 비전에서 연산 비용이 현장 적용의 제약이 되는 문제를 고려하여, 잔차 네트워크에 캐스케이딩 메커니즘과 다단계 특징 융합을 적용해 초해상 성능을 높이면서 효율성을 확보합니다. 계산량을 줄이기 위해 group convolution과 재귀적 구성 요소를 활용하고, 지각 품질을 강화하기 위해 적대적 학습과 멀티스케일 판별 구조를 결합합니다. 또한 저수준 입력의 다양성 부족을 보완하기 위한 증강 설계를 수행하여 복원 및 지각 기반 태스크에서의 일반화 성능을 개선합니다.
관련 연구 성과
관련 논문
2편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
초기 연구에서는 단일 이미지 초해상에서 고품질 출력을 목표로 하되, 복잡도를 억제하는 신경망 구조 설계를 중심으로 진행했습니다. 이후 성능과 계산 부담의 균형을 위해 특징 융합과 캐스케이딩을 잔차 기반에 통합하고, 적대적 학습을 지각 품질 향상에 직접 연결하는 방향으로 확장했습니다. 동시에 데이터 편향과 학습 안정성 문제를 완화하기 위해 저수준 비전에 특화된 증강 프레임을 제안하여, 다양한 입력 분포에서 복원 성능이 안정적으로 유지되도록 연구를 심화하고 있습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Efficient deep neural network for photo-realistic image super-resolution
Data Augmentation for Low-Level Vision: CutBlur and Mixture-of-Augmentation