earticle

영어

In this paper proposes a direction-aware attention information sharing network for single image super-resolution (SISR). Although conventional super-resolution methods employ deep learning techniques to extract structural, local, and global information to enhance image quality by preserving fine texture details and structural consistency, they often fail to effectively capture the diverse directional patterns inherent in complex images. The proposed method performs directional feature extraction to consider the orientation of local textures while simultaneously capturing local information within the image. By incorporating directional information into the attention extraction process, the network enables selective enhancement and suppression of features according to their directional characteristics. Furthermore, inter-layer information sharing is introduced to reinforce the complementarity between low-level and high-level features, facilitating more precise recovery of fine textures and edges. The proposed method demonstrated improvements over existing methods through comparative evaluations of PSNR, SSIM, and computational complexity.

한국어

본 논문은 단일 영상 기반의 초해상도를 생성하기 위해 방향성을 고려한 주의 정보 공유 기반의 네트워크를 제안한다. 기존 초해상도 방법에서는 구조적, 지역적, 전역적 정보들을 추출하기 위해 딥러닝 기반의 방법을 활용하면서 세밀한 질감 정보와 구조적 일관성 등을 확보함으로써 품질을 개선하고자 하였지만 복잡한 영상 내 다양한 방향성 패턴을 반영하지 못하는 한계가 있다. 제안하는 방법에서는 영상 내 지역적 정보를 추출함과 동시에 지역 내 텍스처의 방향성을 고려할 수 있도록 방향성 특징 추출을 수행하였다. 주의 정보 추출 과정에서 방향성 정보를 반영함으로써 방향성에 따른 특징 강조 및 억제를 가능하게 하였다. 또한 계층 간 정보 공유를 통해 저단계 및 고단계 특징 간의 상호 보완을 수행함으로써 세밀한 질감 및 경계 복원이 가능하게 하였다. PSNR 및 SSIM, 연산복잡도 비교 평가를 통해 제안하는 방법이 기존 방법 대비 향상됨을 보였다.