GAN 기반 이미지 디블러링과 다크 채널 프라이어 활용

초록

본 논문은 조건부 생성적 적대 신경망(CGAN)을 기반으로 이미지 디블러링 모델을 설계하고, 다크 채널 프라이어를 L2 손실 형태로 결합하여 블러 제거 시 발생하는 그리드 아티팩트를 억제한다. 경량 구조와 노이즈가 섞인 데이터 학습을 통해 기존 DeblurGAN 대비 PSNR·SSIM 향상과 연산 효율성을 달성하였다.

상세 분석

이 연구는 이미지 디블러링 문제에 특화된 CGAN 아키텍처를 제안한다는 점에서 의미가 크다. 기존 GAN 기반 디블러링 모델들은 주로 픽셀‑레벨 L1/L2 손실과 퍼셉추얼 손실을 결합했으나, 그리드 형태의 인공적인 아티팩트가 잔존하는 단점이 있었다. 저자들은 이러한 현상을 다크 채널 프라이어(Dark Channel Prior, DCP)를 손실 함수에 직접 포함함으로써 해결하고자 한다. DCP는 이미지 패치 내 최소 색상값을 이용해 어두운 영역을 강조하는 통계적 특성으로, 선명 이미지에서는 희소성이 높고 블러 이미지에서는 희소성이 감소한다는 점을 이용한다. 기존 연구에서는 L0 노름을 사용해 비제로 원소 개수를 최소화했지만, L0는 미분 불가능해 딥러닝 최적화에 부적합하다. 따라서 논문은 L2 노름을 사용해 복원 이미지와 정답 이미지의 다크 채널 맵 간 차이를 최소화하는 손실을 정의한다. 이 접근법은 미분 가능하면서도 DCP가 갖는 희소성 제약을 효과적으로 전달한다.

네트워크 구조는 인코더‑디코더 형태의 생성기와 다중 레이어 컨볼루션 기반 판별기로 구성된다. 인코더는 stride‑2, 5×5 커널을 사용해 이미지 특징을 압축하고, 디코더는 전치 컨볼루션으로 복원한다. 스킵 연결을 통해 저수준 디테일을 보존하고, 디코더에 드롭아웃을 적용해 과적합을 방지한다. 판별기는 입력 블러 이미지와 복원 이미지 쌍을 받아 진위 여부를 판단하며, 최종 출력은 시그모이드 스칼라이다. 손실 함수는 세 부분으로 구성된다: (1) 전통적인 adversarial loss, (2) L1 기반 content loss (λ1=100), (3) 제안된 다크 채널 L2 loss (λ2=250). 퍼셉추얼 손실은 실험 결과 성능 저하를 보여 제외하였다.

학습 과정에서는 GOPRO 데이터셋을 기본으로 사용하고, 실제 촬영 환경을 모사하기 위해 Gaussian 노이즈(분산 0.001)를 추가한 GOPRO‑noise 서브셋을 만든다. 이렇게 노이즈가 포함된 데이터로 학습함으로써 모델의 잡음 강인성을 확보한다. 최적화는 Adam 기반이며, 판별기 1스텝, 생성기 2스텝 순으로 진행해 판별기의 과도한 학습을 방지한다. 15 epoch(≈2일) 학습으로도 수렴하며, 기존 DeblurGAN(200 epoch, 6일)보다 학습 효율이 크게 개선된다.

실험 결과는 두 가지 측면에서 우수성을 입증한다. 정량적으로는 PSNR과 SSIM 모두에서 기존 DeblurGAN을 능가했으며, 특히 노이즈가 포함된 테스트셋에서 λ2=250인 다크 채널 손실이 큰 기여를 했다. 정성적으로는 그리드 아티팩트가 현저히 감소하고, 선명한 경계와 텍스처가 잘 복원되었다. 퍼셉추얼 손실을 포함한 변형은 오히려 성능을 떨어뜨렸으며, 다크 채널 손실이 없는(d_c=0) 모델은 아티팩트 억제 효과가 미미했다. 전체적으로 제안된 경량 CGAN 구조와 다크 채널 L2 손실의 결합은 디블러링 품질 향상과 연산 효율성을 동시에 달성한 성공적인 사례라 할 수 있다.