딥러닝 기반 이미지 복원 기술은 예전보다 훨씬 높은 fidelity(정밀도)를 달성했지만, 모바일 Neural Processing Units (NPU) 상의 배포는 연산자 호환성 문제와 메모리 접근 오버헤드로 인해 여전히 제한적입니다. 우리는 모바일 NPU 의 실용적인 이미지 노이즈 제거에 특화된 하드웨어 알고리즘 공학적 설계 (hardware-algorithm co-design) 방법을 제안합니다.

우리의 방법은 고해상도 teacher 를 사용하여 현대 모바일 SoC 의 tiled-memory(타일 메모리) 구조를 효과적으로 활용할 수 있도록 경량화된 student 네트워크를 감독합니다. NPU 네이티브 primitives -- 표준 3x3 컨볼루션, ReLU 활성화 함수, 그리고 nearest-neighbor 업샘플링을 우선시하고, 점진적 context expansion 전략 (최대 1024x1024 크롭) 을 적용함으로써, Mobile AI 2026 challenge 의 검증 벤치마크에서 37.66 dB PSNR / 0.9278 SSIM, 홀드아웃 테스트 벤치마크에서 37.58 dB PSNR / 0.9098 SSIM 을 달성했습니다 (풀 해상도 2432x3200).

공식적인 challenge 규칙에 따라 추론 실행 시간은 표준화된 Full HD (1088x1920) 프로토콜 하에서 측정되었으며, MediaTek Dimensity 9500 에서 34.0 ms, Qualcomm Snapdragon 8 Elite NPU 에서 46.1 ms 로 실행됩니다. 우리는 엄격한 NPU 호환성 연산 준수가 전용 NPU 실행을 통합 모바일 GPU 보다 최대 3.88 배 빠르게 수행할 수 있음을 'Inference Inversion' 효과라고 명명합니다.

1.96M 파라미터의 student 는 high-alpha 지식 증류 (alpha = 0.9) 를 통해 teacher 의 복원 품질의 99.8% 를 회복하며, PSNR 간격을 1.63 dB 에서 0.05 dB 로만 좁히면서 21.2 배의 파라미터 감소를 달성했습니다. 이러한 결과는 하드웨어 인식 증류가 다양한 모바일 NPU 아키텍처에 걸쳐 고 fidelity 노이즈 제거와 실용적인 배포를 통합하는 효과적인 전략임을 입증합니다. 제안된 경량화된 student 모델 (LiteDenoiseNet) 과 그 훈련 통계는 NN Dataset 에서 제공되며, 주소는 https://github.com/ABrain-One/NN-Dataset 입니다.