Temel Kavramlar
그래프 라플라시안 정규화기를 활용하여 해석 가능한 딥 디노이저 네트워크를 구축할 수 있으며, 이는 기존 딥러닝 기반 디노이저보다 적은 파라미터로도 경쟁력 있는 성능을 달성할 수 있다.
Özet
이 논문에서는 그래프 신호 처리 이론을 활용하여 해석 가능한 그래프 기반 딥 디노이저(GDD) 네트워크를 제안한다.
첫째, 기존 잘 알려진 디노이저 Ψ를 선택하고, 이에 대응되는 그래프 라플라시안 행렬 L을 Theorem 1을 활용하여 초기화한다. 이를 통해 Ψ의 성능을 보장하면서도 그래프 해석이 가능한 초기화를 달성할 수 있다.
둘째, 선형 시스템 (I + μL)x* = y를 푸는 과정을 공액 기울기(CG) 알고리즘을 펼쳐 신경망 레이어로 구현한다. 이를 통해 행렬 역연산을 피하면서도 end-to-end 학습이 가능한 구조를 만들 수 있다.
셋째, 제안한 GDD 네트워크는 매우 적은 수의 파라미터만을 학습하면서도 기존 최신 기법들과 경쟁력 있는 성능을 달성할 수 있다. 또한 적은 학습 데이터에서도 기존 딥러닝 기반 디노이저보다 우수한 일반화 성능을 보인다.
실험 결과, 제안한 GDD 네트워크는 기존 양방향 필터(BF)와 총변동(TV) 기법 대비 최대 8.53dB, 1.28dB의 PSNR 성능 향상을 보였다. 또한 적은 학습 데이터에서도 기존 DnCNN 대비 약 1.25dB 더 우수한 성능을 달성하였다.
İstatistikler
노이즈 표준편차 σ = 10일 때, 제안한 GDD 네트워크의 PSNR은 33.23dB로 DnCNN의 35.24dB보다 2.01dB 낮았다.
노이즈 표준편차 σ = 20일 때, 제안한 GDD 네트워크의 PSNR은 26.19dB로 DnCNN의 25.82dB보다 0.37dB 높았다.
노이즈 표준편차 σ = 30일 때, 제안한 GDD 네트워크의 PSNR은 20.89dB로 DnCNN의 20.87dB와 유사했다.
Alıntılar
"제안한 GDD 네트워크는 매우 적은 수의 파라미터만을 학습하면서도 기존 최신 기법들과 경쟁력 있는 성능을 달성할 수 있다."
"제안한 GDD 네트워크는 적은 학습 데이터에서도 기존 딥러닝 기반 디노이저보다 우수한 일반화 성능을 보인다."