[패스트캠퍼스 수강 후기] 인공지능강의 100% 환급 챌린지 60회차 미션

인공지능강의

PART 5) 딥러닝 최신 트렌드

49. Ch 05. 이미지 복원 (Image Reconstruction) - 04. 복원할 부분에 집중하는 기법 - 2

 

Interesting Results

주변 영역을 이용하여 충실하게 복원하는 경우도 있고, '얼굴'을 이해해 눈을 복원하기도 한다.

 

Insights

coarse-to fine network 구조를 사용함.

batch normalization layer를 제거함.

ReLu 대신 ELU를 사용함.

GAN 사용.

50. Ch 05. 이미지 복원 (Image Reconstruction) - 05. 사실적으로 복원하는 기법

SISR에서는 Loss function이 중요하다.

 

.Generative Adversarial Networks

Residual blcoks을 사용하는 Generator와 원본인 HR과 SR을 출력하는 Discriminator를 경쟁시켜서 Generator를 향상시킨다.

 

GAN Loss의 당위성

MSE 기반의 솔루션은 '안전'하지만, 항상 무난하게 좋은 Blurry한 솔루션이다.

GAN 기반의 솔루션은 여러 가능성 중 더 ' 자연스러운' 가능성을 선택한다.

 

VGG Loss

LR과 HR을 직접 비교하지 않고, VGG19 feature를 추출하여 MSE로 비교한 것을 VGG loss라 한다.

화소 단위로 비교하지 않고, Perceptual한 단위로 비교하는 결과를 가져온다.

 

Loss Comparison

네트워크 구조만 개선한 SRResNet은 평탄한 영역에서는 성능이 좋으나, MSE의 한계가 나타난다.

SRGAN, VGG를 쓰면서 점차 개선되는 것이 보인다.

 

Insights

이미지 복원 문제에서 MOS(Mean Opinion Score)를 도입하여 시각적으로 훌륭하다는 점을 강조하였다.

수치적으로 표현하는 것이 매우 중요하다.

 

 

https://bit.ly/3g72Rmm

딥러닝/인공지능 올인원 패키지 Online. | 패스트캠퍼스