학습을 적용한 많은 모델이 우수한 성능을 보임에도 불구하고, 학습에 사용되는 데이터셋 또는 이미지 생성 및 전송 과정에는 잡음이 포함될 수 있으며, 이는 기대되는 결과와 성능을 도출할 수 없다. 딥 신경망을 이용한 대표적인 이미지 복원(denoising) 기법은 원본 이미지에 강제로 특수 잡음을 추가하고, 그 잡음이 추가된 이미지를 원본 이미지와 동일하게 만들도록 학습하여 잡음이 포함된 이미지를 생성한다. 그러나 딥 신경망의 성능은 네트워크 깊이에 의존하며, 성능을 향상시키기 위해서만 깊이를 증가시키면 성능 포화 상태에 도달하여 어려움에 직면하게 된다. 이러한 문제를 개선하기 위해, 본 논문은 불필요한 정보를 억제하고 중요한 정보만을 강조하는 기능을 제공하기 위해, 대표적인 복원 딥러닝 모델인 U-Net에 멀티스케일 어텐션(Multi-scale Attention) 모델을 적용한다. 새로운 모듈형 접근에서, 주어진 입력 값은 내부적 관계를 기준으로 두 부분으로 분할되며, 하나는 중요한 부분이 집중된 영역이고 다른 하나는 공간 정보를 통해 중요한 부분이 집중되도록 하는 영역이다. 병렬 실행 후 두 부분을 결합하는 Outburst 구조 기반의 어텐션 단위를 구현하였고, 그 결과 기존 모델보다 더 나은 성능을 보였다. 또한 PSNR과 SSIM을 통해서만이 아니라 구성 요소의 효과에 초점을 맞추어, 다른 모델들에 비해 더 많은 공간 특징 맵(spatial feature maps)을 추가 파라미터를 과도하게 늘리지 않고 생성한다. 향상된 성능은 잡음이 포함된 이미지에서 잡음을 제거하는 과정을 통해서도 확인되었다.

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