PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2411.15921v3cs.CV

확산 방정식을 통해 안정화된 조정 가능한 디스펙클링 신경망

A Tunable Despeckling Neural Network Stabilized via Diffusion Equation

곱셈 감마 노이즈(multiplicative Gamma noise)의 제거는 합성 개구 레이더(SAR) 영상 응용 분야에서 핵심적인 연구 영역이며, 신경망(neural network)은 이를 위한 강력한 도구로 활용됩니다. 그러나 실제 데이터는 종종 이론적 모델과 차이를 보이며 다양한 교란을 나타내어 신경망의 효과를 저하시킵니다. 적대적 공격(adversarial attack)은 신경망을 무력화하는 가장 극단적인 섭동(perturbation)을 찾아낼 수 있으므로, 실제 데이터에 대한 신경망의 적응성을 판단하는 기준으로 사용될 수 있습니다. 본 연구에서는 얕은 신경망 디노이징 블록과 확산 정규화 블록을 단일 네트워크로 언롤링(unroll)하여 엔드투엔드(end-to-end) 학습을 수행하는, 조정 가능하고 정규화된 신경망 프레임워크를 제안합니다. 고유한 평활성(smoothness)과 저역 통과 필터링 특성으로 잘 알려진 선형 열 방정식(linear heat equation)을 확산 정규화 블록으로 채택합니다. 출력의 평활성은 동적으로 조정 가능한 단일 타임 스텝 하이퍼파라미터로 제어됩니다. 제안하는 모델의 안정성과 수렴은 이론적으로 증명되었습니다. 실험 결과는 제안된 모델이 적대적 공격으로 인해 유도된 고주파 진동(high-frequency oscillation)을 효과적으로 제거함을 보여줍니다. 마지막으로, 시뮬레이션 영상, 적대적 샘플, 실제 SAR 영상에서 제안된 모델을 여러 최신 디노이징 방법과 벤치마크 평가를 진행하였으며, 정량적 평가와 시각적 평가 모두에서 우수한 성능을 달성했습니다.