Core Concepts
본 논문은 디블러링 회귀 문제를 이산화 및 이산-연속 변환 문제로 분해하는 새로운 디블러링 체계를 제안한다. 이를 통해 이미지 잔차 오류의 특성을 반영하는 블러 세그멘테이션 맵을 생성하고, 이를 활용하여 효율적인 모델을 구축할 수 있다.
Abstract
본 논문은 실제 환경에서의 효율적인 블라인드 모션 디블러링 방법을 제안한다. 기존 연구들은 블러 커널 추정 또는 단순한 블러-선명 매핑에 초점을 맞추었지만, 이는 실제 환경에서 효율적으로 동작하기 어려웠다.
저자들은 디블러링 문제를 블러 픽셀 이산화와 이산-연속 변환 문제로 분해하는 새로운 접근법을 제안한다. 먼저, 블러 픽셀 이산화기를 통해 블러 세그멘테이션 맵을 생성한다. 이 맵은 이미지 잔차 오류의 모션-주파수 특성을 반영하며, 실제 GT와 유사한 정보를 제공한다. 다음으로, 이산-연속 변환기를 통해 이 이산화된 정보를 연속 형태로 변환한다.
제안 방법은 기존 대비 최대 10배 더 효율적이면서도 성능이 우수하다. 특히 대규모 모션 시나리오에서 강건하며, 상용 애플리케이션과 비교해서도 경쟁력 있는 결과를 보인다. 이는 블러 세그멘테이션 맵이 물리적 블러 모델링에 더 잘 부합하기 때문이다.
Stats
대규모 모션 시나리오에서 제안 모델(SegDeblur-S)의 PSNR이 28.27dB에서 29.12dB로 향상되었다.
제안 모델(SegDeblur-L)의 RealBlur-J 데이터셋 PSNR이 32.50dB에서 32.95dB로 향상되었다.
제안 모델(SegDeblur-L)의 RealBlur-R 데이터셋 PSNR이 39.89dB에서 40.21dB로 향상되었다.
Quotes
"이미지 잔차 오류는 모션 타입(예: 모션 크기 및 방향)과 공간 주파수(예: 인접 픽셀의 복잡성)에 따라 특징지어질 수 있다."
"우리의 블러 세그멘테이션 맵은 물리적 블러 모델링에 더 잘 부합하므로, 더 자연스러운 디블러링 결과를 생성할 수 있다."