Since the blurring artifact can degrade the quality of the images as well as the performance of other important image-related tasks, studies on deblurring are actively underway. Accordingly, existing image deblurring methods have achieved high performance based on CNN-based models and GAN-based models. However, they have problems such as over-smoothing because of minimization of pixel loss and un-convergence in training. In this research, we propose an image deblurring method using a Denoising Diffusion Probabilistic Model. This model destroys the distribution of images by iteratively adding noise to clean images in the diffusion process, thereby finally becoming Gaussian distribution. Then, the noise is estimated and the estimated noise is subtracted from the input Gaussian distributed noise to restore the distribution of clean image. Based on this model, we generate deblurred images from blurry images which are the conditional input of the noise estimation model. The proposed model has particular strengths in terms of perception as it learns image distribution. It is demonstrated that our proposed method achieves high performance in perceptual evaluations than existing image-deblurring methods.
이미지에 생기는 블러는 이미지의 품질을 저하시킬 뿐만 아니라 다른 중요한 이미지 기법들의 성능까지 저하시킬 수 있다. 따라서, 이미지의 블러를 제거하는 이미지 블러 제거 기법에 대한 연구가 활발히 진행되고 있다. 기존의 이미지 블러 제거 기법들은 확산곱 신경망 구조를 기반으로 한 모델과 생성 모델 등을 이용하여 높은 성능을 달성하였다. 하지만 이들은 픽셀 값의 차이 최소화에서 기반한 오버 스무딩, 손실 수렴 등의 문제가 있다. 본 논문에서는 노이즈 제거 확산 확률 모델을 이용한 이미지 블러 제거 기법을 제안한다. 노이즈 제거 확산 확률 모델은 확산 과정에서는 선명한 이미지에 노이즈를 더하여 이미지의 분포를 가우시안 노이즈 분포로 변하게 한다. 반면에 역과정에서는 확산 과정에서 더해준 노이즈를 예측하여 빼주는 방법을 통해 원래 이미지의 분포로 돌아가도록 한다. 이 모델을 기반으로, 우리는 블러가 있는 이미지를 노이즈 예측 모델의 조건부 입력으로 사용하여 최종적으로 블러가 제거된 출력을 얻도록 하였다. 이처럼 제안하는 모델은 이미지의 분포를 학습하기 때문에 인지적인 측면에서 우수한 영상을 복원한다는 강점이 있다. 이에 대해 제안하는 기법과 기존의 이미지 블러 제거 기법의 성능을 비교해본 결과, 제안하는 모델이 인지적인 평가 지표에서 높은 성능을 보이는 것을 확인하였다.
