GAN 기반 이미지 디블러링과 다크 채널 프라이어 활용

본 논문은 이미지 디블러링을 위한 새로운 조건부 생성적 적대 신경망(CGAN) 모델을 제시한다. 기존의 GAN 기반 디블러링 방법들은 주로 픽셀‑레벨 손실과 퍼셉추얼 손실을 결합했지만, 복원 이미지에 그리드 형태의 인공적인 아티팩트가 나타나는 문제가 있었다. 이를 해결하기 위해 저자들은 다크 채널 프라이어(Dark Channel Prior, DCP)를 손실 함수에 직접 통합한다. DCP는 이미지 패치 내 최소 색상값을 이용해 어두운 영역을 강조하는 통계적 특성으로, 선명한 이미지에서는 다크 채널이 희소하고 블러 이미지에서는 희소성이 감소한다는 점을 활용한다. 기존 연구에서는 DCP의 희소성을 L0 노름으로 제약했으나, L0는 미분 불가능해 딥러닝 최적화에 부적합하다. 따라서 본 논문은 L2 노름을 사용해 복원 이미지와 정답 이미지의 다크 채널 맵 간 차이를 최소화하는 손실을 정의한다. 이 방식은 미분 가능하면서도 DCP가 제공하는 희소성 정보를 효과적으로 전달한다. 네트워크 구조는 인코더‑디코더 형태의 생성기와 다중 레이어 컨볼루션 기반 판별기로 구성된다. 생성기의 인코더는 stride‑2와 5×5 커널을 사용해 이미지 특징을 압축하고, 디코더는 전치 컨볼루션으로 복원한다. 스킵 연결을 통해 저수준 디테일을 보존하고, 디코더에 드롭아웃을 적용해 과적합을 방지한다. 판별기는 입력 블러 이미지와 복원 이미지 쌍을 받아 진위 여부를 판단하며, 최종 출력은 시그모이드 스칼라이다. 손실 함수는 세 부분으로 구성된다: (1) 전통적인 adversarial loss, (2) L1 기반 content loss (λ1=100), (3) 제안된 다크 채널 L2 loss (λ2=250). 퍼셉추얼 손실은 실험 결과 성능 저하를 보여 제외하였다. 학습 데이터는 널리 사용되는 GOPRO 데이터셋을 기본으로 하며, 실제 촬영 환경을 모사하기 위해 Gaussian 노이즈(분산 0.001)를 추가한 GOPRO‑noise 서브셋을 만든다. 이렇게 노이즈가 포함된 데이터로 학습함으로써 모델의 잡음 강인성을 확보한다. 최적화는 Adam 기반이며, 판별기 1스텝, 생성기 2스텝 순으로 진행해 판별기의 과도한 학습을 방지한다. 15 epoch(≈2일) 학습으로도 수렴하며, 기존 DeblurGAN(200 epoch, 6일)보다 학습 효율이 크게 개선된다. 실험 결과는 두 가지 측면에서 우수성을 입증한다. 정량적으로는 PSNR와 SSIM 모두에서 기존 DeblurGAN을 능가했으며, 특히 노이즈가 포함된 테스트셋에서 λ2=250인 다크 채널 손실이 큰 기여를 했다. 정성적으로는 그리드 아티팩트가 현저히 감소하고, 선명한 경계와 텍스처가 잘 복원되었다. 퍼셉추얼 손실을 포함한 변형은 오히려 성능을 떨어뜨렸으며, 다크 채널 손실이 없는(d_c=0) 모델은 아티팩트 억제 효과가 미미했다. 또한 제안된 네트워크는 기존 DeblurGAN 대비 파라미터 수와 연산량이 적어 훈련·추론 시간이 크게 단축된다. 전체적으로 제안된 경량 CGAN 구조와 다크 채널 L2 손실의 결합은 디블러링 품질 향상과 연산 효율성을 동시에 달성한 성공적인 사례라 할 수 있다.