본 논문에서는 다차원 동적 주의력과 자기 주의력을 U-Net 프레임워크 내에서 결합한 새로운 이미지 복원 아키텍처인 MDDA-former를 제안하여, 다양한 이미지 복원 작업에서 성능과 계산 복잡성 사이의 균형을 효과적으로 달성합니다.
본 논문에서는 다양한 기상 조건에서 발생하는 이미지 열화를 효과적으로 처리하기 위해 적응형 열화 인식 자체 프롬프트 모델(ADSM)을 제안합니다.
본 논문에서는 사전 학습된 이미지 복원 네트워크와 생성적 확산 확률 모델을 결합한 모듈형 조건부 확산 프레임워크(DP-IR)를 제안하여, 기존 확산 모델의 작업 특화적인 특징과 높은 계산 비용 문제를 해결하고 다양한 이미지 복원 작업에 효율적으로 적용할 수 있도록 하였다.
본 논문에서는 난류 환경에서 촬영된 이미지 및 영상에서 발생하는 왜곡을 완화하는 알고리즘을 평가하기 위한 새로운 데이터 세트인 OTIS(Open Turbulent Image Set)를 제안하고, 성능 평가를 위한 객관적인 지표로 SSIM(Structural Similarity Index Measure)을 제시합니다.
사전 훈련된 이미지 복원 모델을 다양한 작업에 효율적으로 적용하기 위해 이기종 전문가 혼합(MoE) 기반의 매개변수 효율적인 적응 방법(AdaptIR)을 제안하며, 이를 통해 기존 방법의 제한적인 성능을 극복하고 다양한 이미지 저하 유형에 대한 복원 성능을 향상시킵니다.
본 논문은 단일 작업 이미지 복원 방법의 한계를 극복하고 다양한 이미지 저하 유형을 효과적으로 해결하는 통합 프레임워크를 제공하는 올인원 이미지 복원(AiOIR) 패러다임에 대해 자세히 다룹니다.
고정된 매개변수를 사용하는 기존의 올인원 이미지 복원 모델의 한계를 해결하기 위해 입력 이미지의 저하 정보를 기반으로 매개변수를 동적으로 생성하는 하이퍼네트워크 기반 접근 방식인 HAIR(Hypernetworks-based All-in-One Image Restoration)을 제안합니다.
본 논문에서는 단일 모델로 다양한 이미지 저하 문제를 처리하는 일반 이미지 복원(GIR)이라는 새로운 과제를 제시하고, 기존 방법들의 한계점을 지적하며 GIR의 필요성을 강조합니다. 또한 GIR 모델 평가를 위한 새로운 프레임워크를 제안하고, 기존 방법들을 벤치마킹하여 GIR의 효과와 어려움을 분석합니다.
본 논문에서는 Restormer-Plus라는 새로운 단일 이미지 디레이닝 방법을 제안하며, 이는 Restormer 아키텍처를 기반으로 하며 GT-RAIN 챌린지에서 뛰어난 성능을 달성했습니다. Restormer-Plus는 단일 이미지 디레이닝 모듈, 중간 필터링 모듈, 가중 평균 모듈 및 후처리 모듈의 네 가지 주요 모듈로 구성됩니다. 저자는 각 모듈의 기능과 상호 작용을 자세히 설명하고 Restormer-Plus가 Restormer의 세 가지 주요 단점, 즉 빗물 이미지의 디테일 및 텍스처 복원 능력 저하, 훈련 중 과적합 취약성, 빗물 이미지의 밝기 복원 미흡을 해결하는 방법을 보여줍니다.
사전 훈련된 다중 작업 이미지 복원 모델은 복합적인 이미지 손상을 단계별로 제거하여 제로샷 방식으로 범용 이미지 복원을 달성할 수 있습니다.