Abstract

Instance Normaization 의 low level vision task에서의 역할을 탐구함

특히 novel block 소개 : Half Instance Normalization Block ( HIN Block )

image restoration network의 성능을 부스트 시키는 역할

HIN Block에 기반해 단순하고 파워풀한 multi stage network 디자인

두개의 subnetwork 포함

다양한 이미지의 복원에서 SOTA 달성

1. Introduction

Normalization은 high level vision task에서 많이 사용됨

BN, IBN ( classification )

Layer Normalization (DETR)

GroupNorm ( FCOS - Detection )

Instance Normalization은 style/domain transfer에서 많이 사용

하지만 low level computer vision 문제에 단순히 normalizaiton을 적용하는 것은 suboptimal이 될 수 없다.

예를 들면 BN은 SR 에서 성능을 높일 수 없다

→ 단순히 normalization을 적용하는 것 만으로는ㄴ 부족함

이 논문에서는 Instance Normalization 을 building blocks로 결합해 이미지 복원 task에서 네트워크 성능을 향상시킴 - HIN Block → HINet

각 subnetwork의 인코더에 HIN 블록을 쌓음으로써 각 scale에서의 receptive field를 확장시키고 features의 robustness를 향상

각 stage의 architecture에 더해, cross-stage feature fusion 을 더하고 supervised attention module을 두 스테이지 사이마다 더했다