문태섭 교수 연구팀, ICCV 19 논문 채택
- 인공지능학과
- 조회수1394
- 2019-09-20
문태섭 교수 차성민(박사과정)
문태섭 교수 연구팀(M.IN.D Lab, http://mind.skku.edu/)의 논문 1편이 2019년 10월 27일 - 11월 2일 서울에서 열리는 International Conference on Computer Vision (ICCV) 2019에 채택되었다. 2년에 한 번씩 열리는 해당 학술대회는 컴퓨터비전 및 기계학습 분야에서 세계적으로 최우수 학술대회로 인정받고 있다. 특히, 올해는 지난 2017년 대비 100% 증가한 약 4300여편의 논문이 투고되었고, 최종 논문 채택률은 25.1%를 기록했다.
채택된 논문 “Fully Convolutional Pixel Adaptive Image Denoiser”은 차성민 박사과정 학생이 제 1저자로 수행한 연구로써, 이미지에 가산 노이즈 (additive noise)가 추가된 상황에서 Deep Learning을 이용하여 노이즈를 제거하기 위한 새로운 방법을 제시하여 좋은 평가를 받았다. 가산 노이즈는 디지털 카메라 및 의료 장비에서 사용되는 촬영장치를 이용할 때 촬영 결과물에 추가되는 일반적인 노이즈 형태이고, 이러한 노이즈를 제거하여 원본에 가깝게 만드는 연구는 신호처리 및 기계학습 분야에서 핵심적인 문제로서 오랫동안 연구되어 왔다. 특히, 최근에 Deep Learning을 이용하여 이러한 노이즈를 제거하기 위해 다양한 방법들이 제시되었고, 이 방법들은 기존 방법들의 성능을 크게 뛰어넘는 결과들을 달성하였다. 하지만 이러한 Deep Learning 기반의 디노이징 방법들은 지도 학습에 사용한 데이터셋에 존재하는 동일한 노이즈 혹은 데이터 형태의 분포에는 좋은 디노이징 결과를 보여주지만, 학습 데이터셋에 존재하지 않는 데이터 분포에 대해서는 심각하게 성능이 저하되는 단점을 가지고 있다 (lack of adaptivity).
이러한 기존 Deep Learning 방법의 단점을 극복하기 위해 본 논문에서는 오염된 이미지와 그 디노이징 결과로만 계산할 수 있는 새로운 추정 손실함수(estimated loss function)을 제시하였고, 이 손실 함수를 target으로 학습할 수 있는 새로운 합성곱신경망(convolutional neural network) 구조를 고안해서, 주어진 이미지에 대해서 적응적으로(adaptively) 학습하며 디노이징을 할 수 있는 FC-AIDE 알고리즘을 고안하였다. 그 결과, 충분히 큰 데이터셋을 이용한 지도학습(supervised learning)을 통해 FC-AIDE 모델을 먼저 선학습(pre-training)한 뒤, 주어진 이미지에 적응적으로 한 번 더 학습(adaptive fine-tuning)할 경우, 지도학습 과정에서 존재하지 않는 새로운 분포의 이미지들도 성공적으로 디노이징 할 수 있는 결과를 보였고, 다양한 이미지 데이터셋에서 기존 딥러닝 기반 알고리즘들을 모두 넘어서는 성능을 달성하였다. 본 연구가 제시한 이러한 새로운 딥러닝 기반 디노이징 방법론은 향후 다양한 응용 분야에 적용 및 발전될 가능성이 매우 클 것으로 기대된다.
[FC-AIDE알고리즘의 뉴럴네트워크 구조]
[기존 알고리즘들과의 디노이징 결과 비교]