GAN 기반의 내용 보존 초해상화

국문 초록 (Abstract)

이미지 초해상도(Superresolution)에 대한 최근 연구는 GAN(Generative Adversarial Network)을 사용하여 저해상도 영상의 입력에 대응하는 고해상도 이미지를 생성하는 연구가 주를 이루고 있다. 그런데 이와 같이 GAN을 이용하여 생성된 초해상도 영상은 선명하지만 내용면에서는 저해사도 영상의 원래 내용과는 다른 출력이 나오는 경우가 많다. 특히 학습할 때 사용한 데이터셋과 성격이 다른 저해상도 영상을 입력으로 줄 때 이러한 현상이 심화가 된다. 또한 기존의 GAN들은 많은 판별신경망을 사용하여 학습 시 시간과 컴퓨팅 자원을 많이 소비하는 반면에 본 논문에서 제안한 방법은 판별 신경망의 개수를 줄임으로써 학습이 더 빠르고 효율적으로 진행이 될 수 있도록 하고 있다. 제안한 방법을 사용함으로써 학습한 데이터셋과 성질이 다른 저해상도 영상이 압력으로 들어와도 내용면에서 같은 고해상도 영상이 산출되는 것을 실험을 통해 확인할 수 있다.

다국어 초록 (Multilingual Abstract)

Recent work in image superresolution has been mainly done using Generative Adversarial Network (GANs) to generate high-resolution images that correspond to inputs from low-resolution images. However, while super-resolution images generated using GAN are clear, output is often different from the original contents of low-resolution images. In particular, this phenomenon intensifies when low-resolution images with different characteristics are given as inputs from the datasets used in learning. Moreover, while exiting GANs use a large amount of discriminative neural network to consume time and computing resources during training, the method proposed in this paper reduces the number of discriminative neural networks, enabling learning to proceed faster and more efficiently. By using the proposed method, it can be confirmed through experiments that the same high-resolution image is produced in terms of content even if a low-resolution image with different properties from the learned dataset enters the input.