매개변수 공유 특성을 가진 컨볼루션 연산은 주로 이미지의 국부적 특징 추출에 집중하며, 수용 영역 범위를 벗어난 특징을 모델링하지 못한다. 또한 전체 이미지에 동일한 컨볼루션 커널 파라미터를 공유하면 서로 다른 영역의 특성 차이를 무시한다. 기존 방법의 표현 한계를 극복하기 위해, 전역 및 국부 특징 융합 제안 네트워크가 제안되었으며, 각각 Transformer와 컨볼루션 연산을 이용해 이미지의 전역 및 국부 특징 정보를 추출하고 두 가지를 융합하여 출력함으로써 Transformer의 장거리 의존성 모델링과 컨볼루션 연산의 국부 인지 특성 장점을 충분히 발휘하여 효율적인 특징 표현을 실현하였다. 최종 복원 이미지 출력 전에는 다중 스케일 이미지 블록을 포함하는 향상 모듈을 설계하여 Transformer를 통해 전역 특징 정보를 추가로 집계하여 복원 이미지의 세부를 풍부하게 하였다. 동시에 전역 위치 인코딩 생성기를 제안하여 전역 이미지 콘텐츠 정보를 기반으로 위치 인코딩을 적응적으로 생성하고, 이를 통해 픽셀 간 의존 관계의 2차원 공간 위치 모델링을 실현하였다. 실험 결과 제안된 제무기 네트워크는 합성 및 실제 이미지 데이터셋 모두에서 우수한 제무 성능을 보였으며, 복원된 이미지가 더욱 현실적이고 세부 복원도가 높았다.

이미지 제무;생성적 적대 신경망;Transformer;위치 인코딩 생성기