지도 슈퍼 해상도를 위한 그래프 정규화 학습

우리는 지도 슈퍼 해상도를 위한 새로운 공식을 소개합니다. 그 핵심은 학습된 결합 그래프에서 작동하는 미분 가능한 최적화 계층입니다. 학습된 그래프 포텐셜은 가이드 이미지에서 풍부한 컨텍스트 정보를 활용할 수 있도록 하며, 구조 내의 명시적인 그래프 최적화는 고해상도 목표가 저해상도 소스에 대해 엄격한 충실도를 보장합니다. 예측에 대한 입력으로서만 소스를 사용하는 것이 아니라 제약으로 사용하는 결정을 내림으로써, 우리의 방법은 다운샘플링했을 때 소스를 근사적으로 재현할 뿐인 최신 딥 아키텍처와 다릅니다. 이는 이론적으로 매력적일 뿐만 아니라 더 선명하고 자연스러운 이미지를 생성합니다. 우리의 방법의 핵심 속성은 그래프 연결성이 픽셀 격자로 제한되어 있음에도 불구하고, 관련 엣지 포텐셜이 딥 피처 추출기로 학습되어 넓은 수용 영역에 걸쳐 풍부한 컨텍스트 정보를 인코딩할 수 있다는 점입니다. 희소 그래프 연결성을 활용함으로써, 최적화 계층을 통해 그래디언트를 전파하고 데이터에서 엣지 포텐셜을 학습하는 것이 가능합니다. 우리는 여러 데이터셋에서 우리 방법을 광범위하게 평가하며, 정량적 재구성 오류 측면에서 최근 기준선을 지속적으로 능가하고, 시각적으로 더 선명한 출력을 제공합니다. 더욱이, 우리는 우리의 방법이 훈련 중에 보지 않은 새로운 데이터셋에 특히 잘 일반화된다는 것을 보여줍니다.