PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2509.08685v2eess.IV

3D 포인트 클라우드 속성 코딩을 위한 희소성 유도 속도-왜곡 최적화(RDO)의 딥 언롤링

Deep Unrolling of Sparsity-Induced RDO for 3D Point Cloud Attribute Coding

디코더에서 사용 가능한 인코딩된 3D 포인트 클라우드 기하학이 주어졌을 때, 우리는 다중 해상도 B-스플라인 투영 프레임워크에서 손실 속성 압축 문제를 연구한다. 목표 연속 3D 속성 함수는 먼저 중첩 부분공간 $\mathcal{F}^{(p)}_{l_0} \subseteq \cdots \subseteq \mathcal{F}^{(p)}_{L}$의 수열 위로 투영되며, 여기서 $\mathcal{F}^{(p)}_{l}$은 선택된 스케일에서 차수 $p$의 B-스플라인 기저 함수와 그 정수 이동에 의해 생성(span)되는 함수군이다. 투영된 저역통과 계수 $F_l^*$는 속도-왜곡(RD) 최적화 알고리즘을 순전파 신경망으로 가변 복잡도 언롤링하여 계산되며, 여기서 속도(rate) 항은 희소성을 촉진하는 $\ell_1$-노름이다. 따라서 투영 연산은 end-to-end 미분 가능하다. 선택된 coarse-to-fine 예측기에 대해, 계수는 더 낮은 해상도에서 더 높은 해상도로의 예측을 반영하도록 조정되며, 이 또한 데이터 기반 방식으로 최적화된다.

arXiv:2606.06540v1eess.IV

ErA: 단일 이미지 초점 흐림 제거를 위한 오류 인식 딥 언롤링 네트워크

ErA: Error-Aware Deep Unrolling Network for Single Image Defocus Deblurring

우리는 단일 이미지 초점 흐림 제거(defocus deblurring)를 위한 엔드-투-엔드 프레임워크인 ErA(Error-Aware Deep Unrolling Network)를 소개한다. ErA는 컴팩트한 커널 기저(kernel basis)와 픽셀별 가중치를 공동으로 학습하며, 증강 라그랑지안(Augmented Lagrangian) 언롤링 내의 오류 인식 항(error-aware term)이 교번 업데이트(alternating updates)와 ResUNet 디노이저를 통해 커널 추정 오류를 보정한다. ErA는 DPDD, RealDOF, RTF에서 최첨단 PSNR/SSIM을 달성하며, 정답 레이블 없이 CUHK에서도 강한 일반화 성능을 보인다.