강건한 단일 이미지 디헤이징을 위한 균형 주의 메커니즘: 다중 스케일 및 픽셀 수준 최적화 접근법 = Balanced Attention Mechanisms for Robust Single Image Dehazing: A Multi-Scale and Pixel-Level Optimization Approach

국문 초록 (Abstract)

최근 이미지 디헤이징(dehazing)은 자율 주행, 감시 시스템, 의료 영상 등 다양한 컴퓨터 비전 응용에서 중요한 연구 분야로 자리 잡고 있습니다. 기존 기법들은 물리적 모델 기반 접근법이나 딥러닝을 활용한 방법론을 적용하였으나, 단일 이미지에서 다중 스케일과 픽셀 수준의 정보를 효과적으로 활용하는 데 한계가 있었습니다.
본 연구에서는 BADNet (Balanced Attention Dehazing Network)을 제안하며, 강건한 단일 이미지 디헤이징을 위해 균형 주의 메커니즘(Balanced Attention Mechanisms)을 도입하였습니다. 먼저, 챕터 1에서는 로컬 및 글로벌 discriminator를 활용하여 Dilated Multi-Scale Block (DMSB)의 효과를 연구하였고, 이를 기반으로 확장된 디헤이징 기법을 개발하였습니다. 이후 연구인 챕터 2에서는 다중 스케일 정보와 픽셀 수준 최적화를 활용한 모델인 BADNet을 제안하였으며, 주요 구성 요소로 (1) 균형 채널-픽셀 주의 블록(BCPAB, Balanced Channel-Pixel Attention Block)을 적용하여 정보의 집중적 처리, (2) 균형 주의 손실(BAL, Balanced Attention Loss)을 통해 학습을 최적화하였습니다.
실험 결과, 본 연구에서 제안한 모델은 기존 최첨단(SOTA) 디헤이징 기법 대비 우수한 PSNR 및 SSIM 성능을 기록하였으며, 다양한 환경에서도 안정적인 성능을 유지함을 입증하였습니다. 본 연구는 이미지 복원 기술의 새로운 가능성을 제시하며 실세계 응용에서도 높은 실용성을 갖추고 있습니다.

목차 (Table of Contents)

• 목 차 Ⅰ
• 표 목차 Ⅱ
• 그림 목차 Ⅲ
• 국문요약 Ⅳ
• Publications Ⅴ
• Chater 1. Preliminary Research: MSDGAN 1
• 1.1 Introduction 1
• 1.2 Related Work 3
• 1.2.1 Generative Adversarial Networks (U-Net GAN) 3
• 1.2.2 Residual Block Architecture 5
• 1.2.3 Image Inpainting Techniques 6
• 1.2.4 Single Image Dehazing 7
• 1.3 Method 8
• 1.3.1 Dataset 8
• 1.3.2 Proposed Model 10
• 1.3.3 Loss Function 15
• 1.3.4 Network Summary 20
• 1.4 Result 21
• 1.4.1 Evaluation Metrics 21
• 1.4.2 Baseline Comparisons 23
• 1.4.3 Quantitative Results 24
• 1.4.4 Qualitative Results 26
• 1.4.5 Cross-Cultural Generalization 29
• 1.4.6 Discriminator Local Feedback Analysis 31
• 1.5 Conclusion 33
• Chapter 2. The Main Study: BADNet 35
• 2.1 Introduction 35
• 2.1.1 Motivation and Background 35
• 2.1.2 Deep Learning Approaches and Challenges 37
• 2.1.3 Proposed Method Overview 44
• 2.2 Related Research 45
• 2.2.1 Traditional Image Dehazing Methods 46
• 2.2.2 Learning-Based Dehazing Methods 50
• 2.2.3 Loss Function Design and Optimization Strategies 60
• 2.2.4 Datasets and Benchmarking in Dehazing 61
• 2.2.5 Applications and Real-World Deployments of Dehazing 63
• 2.3 Proposed Method 65
• 2.3.1 Overall Model Description 65
• 2.3.2 Core Building Blocks: DMSB and BCPAB Overview 68
• 2.3.3 Dilated Multi-scale Block (DMSB) 70
• 2.3.4 Balanced Channel-Pixel Attention Block (BCPAB) 74
• 2.3.5 Balanced Attention Loss (BAL) 78
• 2.3.6 Network Architecture and Training Strategy 80
• 2.4 Experimental 82
• 2.4.1 Experimental Setup 82
• 2.4.2 Quantitative Results 86
• 2.4.3 Qualitative Comparison 87
• 2.4.4 Ablation Study Results 92
• 2.4.5 Computational Analysis and Limitations 95
• 2.5 Conclusion 99
• Reference 102
• 영문 요약 116