고성능 모바일 NPU 를 위한 지식 증류 기반 실용 이미지 노이즈 제거

요약

본 논문은 모바일 NPU 환경에 최적화된 실용적인 이미지 노이즈 제거 모델을 제안합니다. 고성능의 Teacher 네트워크 지식을 경량화된 Student 네트워크로 증류하는 '하드웨어 인식 지식 증류' 방법을 사용하며, 이는 모바일 SoC의 타일 메모리 구조와 NPU 네이티브 연산자(3x3 컨볼루션 등)를 적극적으로 활용합니다. 그 결과, 파라미터 수를 획기적으로 줄이면서도 높은 복원 품질을 유지하고, 전용 NPU 실행 시 통합 GPU 대비 월등히 빠른 추론 속도를 달성하여 모바일 AI 배포의 실용성을 크게 향상시켰습니다.

핵심 포인트

• 하드웨어 알고리즘 공학적 설계(hardware-algorithm co-design)를 통해 모바일 NPU에 최적화된 이미지 노이즈 제거 솔루션을 제시함.
• 지식 증류(Knowledge Distillation) 기법을 활용하여 고성능 Teacher 모델의 지식을 경량 Student 모델로 전이시키면서도 성능 저하를 최소화함.
• NPU 네이티브 연산자 및 타일 메모리 구조를 우선시하는 설계 전략으로, 모바일 SoC에서 높은 효율성과 낮은 오버헤드를 달성함.
• 전용 NPU 실행의 이점을 'Inference Inversion' 효과로 정의하며, 통합 GPU 대비 최대 3.88배 빠른 추론 속도를 입증함.
• 파라미터 수를 대폭 줄이면서도 복원 품질(PSNR/SSIM)을 유지하여 모바일 환경에서의 실용적인 배포 가능성을 높임.