Core Concepts
제안된 SARGD 모델은 현실 기반 지도 정제와 자기 적응형 지도 메커니즘을 통해 확산 기반 초해상도 기법의 인공물 문제를 효과적으로 해결한다.
Abstract
본 연구는 확산 기반 초해상도 기법의 인공물 문제를 해결하기 위해 Self-Adaptive Reality-Guided Diffusion (SARGD)이라는 새로운 접근법을 제안한다. SARGD는 두 가지 핵심 메커니즘으로 구성된다:
Reality-Guided Refinement (RGR): 현실 잠재 공간을 활용하여 잠재 공간 내 인공물을 식별하고 정제하는 방식으로, 원본 이미지의 특성을 유지하면서 인공물을 제거한다.
Self-Adaptive Guidance (SAG): 초기 현실 잠재 표현의 과도한 평활화 문제를 해결하기 위해, 현실 점수를 동적으로 계산하여 현실 잠재 표현을 지속적으로 개선한다.
이 두 메커니즘이 교대로 작용하여 인공물이 없는 고품질 초해상도 이미지를 생성한다. 실험 결과, SARGD는 기존 최신 확산 기반 초해상도 모델들을 크게 능가하는 성능을 보였으며, 특히 PSNR, SSIM, LPIPS, DISTS 등의 지표에서 두드러진 개선을 달성했다. 또한 추론 시간을 2배 단축할 수 있었다.
Stats
초해상도 ×2 시 Set5 데이터셋에서 PSNR이 28.78에서 32.64로 3.86 향상되었다.
초해상도 ×3 시 Set5 데이터셋에서 PSNR이 29.09에서 33.06으로 3.97 향상되었다.
초해상도 ×4 시 Set5 데이터셋에서 PSNR이 29.36에서 32.27로 2.91 향상되었다.
Quotes
"확산 기반 초해상도 기법은 반복 절차 중 인공물 도입에 취약하다. 이러한 인공물은 노이즈부터 비진정한 질감까지 다양하며, 원본 이미지의 진정한 구조에서 벗어나 초해상도 프로세스의 무결성을 저해한다."
"제안된 SARGD는 현실 기반 지도 정제와 자기 적응형 지도 메커니즘을 통해 확산 과정에서 인공물을 효과적으로 제거하고, 고해상도 이미지의 세부 정보와 선명도를 향상시킨다."