고해상도 이미지 생성을 위한 다이버전스 측도 활용 완전 합성곱 적대적 신경망 강화
제안된 SuRGe는 다이버전스 측도를 활용하여 저해상도 입력 이미지로부터 고해상도 이미지를 생성하는 완전 합성곱 적대적 신경망 기반 모델이다. SuRGe는 다양한 수준의 특징을 효과적으로 결합하고, Jensen-Shannon 발산과 Gromov-Wasserstein 거리를 손실 함수로 활용하여 고품질의 초해상도 이미지를 생성한다.
데이터 업사이클링을 통한 지식 증류를 활용한 효율적인 이미지 초해상도
데이터 업사이클링을 통해 교사 모델의 지식을 학생 모델에 효과적으로 전달하고, 라벨 일관성 정규화를 통해 학생 모델의 성능과 강건성을 향상시킨다.
초해상도 이미지를 위한 다중 수준 사전 지식 증류
본 연구는 초해상도 모델의 효율성을 높이기 위해 교사 모델의 다중 수준 사전 지식을 학생 모델에 효과적으로 전달하는 방법을 제안한다.
고품질 이미지 초해상도를 위한 최적 경계 조건을 가진 확산 ODE 해결
확산 모델에 내재된 무작위성으로 인해 발생하는 불안정성을 해결하기 위해, 확산 ODE의 최적 경계 조건을 찾아 고품질의 초해상도 이미지를 안정적으로 생성할 수 있는 방법을 제안한다.
확산 모델을 활용한 버스트 초해상도로 지각적 품질 향상
확산 모델을 활용하여 버스트 저해상도 이미지로부터 지각적 품질이 향상된 고해상도 이미지를 복원할 수 있다.
초해상도 이미지 복원을 위한 삼각형 윈도우 기반 복합 융합 주의 변환기
제안된 삼각형 윈도우 기술은 기존 직사각형 윈도우의 경계 왜곡 문제를 해결하고 더 다양한 이동 모드를 제공하여 초해상도 성능을 향상시킨다.
실험적 불확실성을 고려한 웨이블릿 증강 변환기를 이용한 소스 데이터 없는 적응형 이미지 초해상도
본 연구는 소스 데이터 없이 사전 학습된 모델을 타겟 도메인에 적응시키는 새로운 SODA-SR 프레임워크를 제안한다. 제안하는 웨이블릿 증강 변환기(WAT)를 통해 다양한 샘플의 저주파 정보를 효과적으로 학습하고 결합할 수 있으며, 불확실성 기반 자기 학습 메커니즘으로 의사 레이블의 정확도를 향상시킨다. 또한 주파수 영역의 정규화 손실 함수를 도입하여 의사 레이블에 대한 과적합을 방지한다. 실험 결과, 제안 방법은 기존 최신 방법들을 능가하는 성능을 보여준다.