UniRestorer++: Scalable Universal Image Restoration with Multi-Granularity Degradation Modeling
다양한 열화 환경에 대응 가능한 확장 가능한 범용 이미지 복원 프레임워크 UniRestorer++ 제안
논문이 다루는 내용
범용 이미지 복원은 하나의 모델로 다양한 열화(degradation)를 처리하는 것을 목표로 하지만, 모델 크기 확장에 따른 성능 향상 전략이 부족한 상황입니다. 기존의 백본 확장 방식은 성능 포화 문제가 발생하며, 열화 추정 기반의 특화 방식은 미학습 데이터에 취약하다는 단점이 있습니다. 이를 해결하기 위해 본 논문은 다중 입도(multi-granularity) 열화 모델링 기반의 확장 가능한 프레임워크인 UniRestorer++를 제안합니다. 이 방식은 열화 그룹을 점진적으로 정교화하고 그룹별 전문가(expert)를 도입하여 용량 확장과 전문화를 결합합니다. 실험 결과, 모델 크기 증가에 따라 로그 선형적인 PSNR 향상을 보였으며, 실세계 데이터 및 OOD(Out-of-Distribution) 환경에서 기존 MoE 방식보다 강력한 성능을 입증했습니다.
핵심 결과
-
다중 입도 열화 모델링을 통한 점진적 전문가(expert) 그룹화 및 용량 확장 전략
-
열화 추정 및 입도 추정 기반의 라우팅을 통한 전문성과 강건성(robustness)의 균형 확보
-
공간 밀집 열화 표현을 통한 비균일한 오염(non-uniform corruption) 대응 능력 강화
실무에서 볼 만한 점
단일 모델로 다양한 노이즈와 열화를 처리해야 하는 실무 환경에서, 모델 크기 확장이 성능 향상으로 직결되는 효율적인 스케일링 가이드를 제공합니다.
읽을 때 확인할 점
-
제시된 CDD-50 벤치마크를 활용한 모델의 범용성 검증
-
특정 도메인 데이터에 대한 Few-shot transfer 성능 테스트
-
MoE 구조 적용 시 연산 비용 대비 성능 향상 폭 분석