Introduction
Single Image Super Resolution
하나의 저화질 이미지에서 고화질 이미지로 복구하는 컴퓨터과학의 고전적인 문제.
이 문제는 ill-posed 문제 즉,
해가 하나가 아니거나 존재하지 않을 수 있다
해가 초기값의 변화에 따라 너무 급격하게 변화한다(연속적이지 않다)
따라서 solution space를 사전에 주어진 정보를 이용해 강력하게 제한해야 좋은 해를 구할 수 있다. 그 방법으로, 같은 이미지의 자기 유사성을 이용하는 방법과 저화질-고화질 이미지 쌍의 mapping을 찾는 방법이 있다.
이 논문에서 Sparse Coding Method와 Deep Convolutional NN이 동등하다는 것을 보이고 end-to-end로 파이프라인 전체를 최적화 가능한 SRCNN을 제안한다. mapping을 찾는 방법이므로 위의 두 가지 방법 중 후자의 방법으로 보인다.
이 SRCNN은 간단한 구조를 가지지만 지금까지의 것들(SOTA)보다 좋은 정확도를 보인다고 한다. 또, 적은 수의 레이어를 사용해 CPU에서도 빠르게 동작하는 가벼운 구조라고 소개한다.
Related SR Works
Image Super Resolution에 대한 다양한 연구를 언급한다. 대표적으로 네 가지 방법으로 나뉘는데,
prediction models
edge based methods
image statistical methods
example-based / patch based methods
이 네 가지 방법 중 SOTA(가장 우수한 방법)는 example based 방법이었고, 여기서 발전해 sparse coding based method가 등장했다.
Sparse coding based method는 첫 번째로 이미지로부터 patch를 추출하고, 그것을 dictionary의 basis의 합으로 표현한다. 그 다음으로 low-res image를 대표하는 sparse dictionary에서 high-res image를 대표하는 sparse dictionary로 non-linear mapping(화질 향상) 하고 마지막으로 reconstruction한다.
Last updated
Was this helpful?