[연구의 필요성]
이미지 처리에서 발생하는 노이즈는 이미지 품질 저하뿐만 아니라 고차원 컴퓨터 비전 작업에도 부정적인 영향을 미친다. 노이즈를 제거하는 것은 중요하지만, 사전에 노이즈 분포를 알지 못하는 상황에서 원본 신호와 노이즈를 구별하는 것은 큰 도전 과제이다.
[연구의 의미]
본 연구는 기존 모델들이 알려진 노이즈 분포에 한정된다는 한계를 극복하기 위해 새로운 프레임워크인 LAN(Learning to Adapt Noise)을 제안한다. LAN은 입력 이미지의 노이즈를 픽셀 단위로 조정하여 사전에 학습된 네트워크가 기대하는 노이즈 분포와 맞추는 방법을 사용한다. 이는 기존 연구처럼 모델 자체를 조정하는 대신 입력 이미지를 조정하여 성능을 향상시키는 혁신적인 접근법이다.
[연구 결과의 진행 상태 및 향후 계획]
본 연구에서 제안한 LAN 프레임워크는 새로운 노이즈 분포에 효과적으로 대응하며, 모델 조정 접근법보다 더 나은 성능을 보였다. 실험 결과는 LAN의 동기와 효과를 입증했다. 하지만 입력 이미지 크기에 따라 계산 복잡성이 증가할 수 있는 한계가 있다. 향후 연구에서는 LAN을 더 고도화하여 다양한 노이즈 상황에서도 일반화할 수 있는 방법을 탐구할 계획이다.
- 발표영상: https://www.youtube.com/watch?feature=shared&v=diX8X6n4KV8
[성과와 관련된 실적]
Changjin Kim, Tae Hyun Kim, and Sungyong Baik. "LAN: Learning to Adapt Noise for Image Denoising," CVPR 2024.
※ CVPR (IEEE/CVF Conference on Computer Vision and Pattern Recognition)은 컴퓨터공학을 구성하는 분야 중 하나인 “컴퓨터 비전 (Computer Vision; CV)” 분야 및 "인공지능 (Artificial Intelligence; AI)" 분야와 "기계학습 (Machine Learning; ML)" 분야를 대표하는 세계 최고 수준의 국제 학회임 (Google Scholar "Engineering & Computer Science" 분야 저널 & 학회 영향력지수 랭킹에서 Top 1 그리고 전 분야에서 Top 4).