잔차 생성을 통한 확산 모델 그림자 제거

대규모 생성 모델은 다양한 시각 작업에서 놀라운 발전을 이루었지만, 이미지 그림자 제거 분야에서는 여전히 어려움이 있습니다. 기존 모델들은 사실적인 디테일을 생성하지만 이미지 콘텐츠의 정밀한 보존이라는 그림자 제거의 핵심 요구사항을 충족하지 못하고, 종종 충실도보다는 다양성에 치중하는 경향이 있습니다. 본 연구는 그림자 없는 이미지를 처음부터 재생성하려던 기존 접근 방식과 달리, 확산 모델을 활용하여 이미지 잔차를 생성하고 정제하는 새로운 전략을 제안합니다. 이 방법은 그림자 진 이미지에 내재된 상세 정보를 최대한 활용하여 그림자 없는 콘텐츠를 보다 효율적이고 충실하게 재구성합니다. 또한, 생성 과정에서 오류 누적을 방지하기 위해 교차 타임스텝 자체 강화 훈련 전략을 도입하여 훈련 데이터를 증강하고 네트워크가 생성 궤적을 동적으로 수정하도록 합니다. 더불어, 대규모 생성 모델의 인코딩 및 디코딩 과정에서 원본 디테일 손실 문제를 해결하기 위해, 제어 메커니즘과 멀티스케일 스킵 연결을 갖춘 콘텐츠 보존형 인코더-디코더 구조를 설계했습니다. 이는 고충실도 그림자 제거 이미지 재구성을 가능하게 합니다. 실험 결과는 제안된 방법이 대규모 잠재 확산 사전(prior)을 기반으로 고품질 결과를 재현하며, 그림자 영역의 원본 콘텐츠를 충실하게 보존함을 입증합니다. 이는 그림자 제거 분야에서 생성 모델의 한계를 극복하고 실용적인 응용 가능성을 제시합니다.