인페인팅 연구는 컴퓨터 비전 영역에서 오랫동안 지속된 연구이다. 인공지능 기술이 발전함에 따라 인페인팅 연구에도 딥 러닝 기술이 도입되어 성능 향상에 큰 도움을 주었다. 현재 딥러닝을 이용한 인페인팅 알고리즘의 입력 대상은 단일 이미지에서 비디오까지 연구되고 있다. 그러나 ...
인페인팅 연구는 컴퓨터 비전 영역에서 오랫동안 지속된 연구이다. 인공지능 기술이 발전함에 따라 인페인팅 연구에도 딥 러닝 기술이 도입되어 성능 향상에 큰 도움을 주었다. 현재 딥러닝을 이용한 인페인팅 알고리즘의 입력 대상은 단일 이미지에서 비디오까지 연구되고 있다. 그러나 파노라마 이미지에 대한 딥 러닝 기반 인페인팅은 많이 연구되지 않았다. 우리는 생성적 적대 네트워크(Generative Adversarial Networks, GANs)를 이용한 360도 파노라마 이미지 인페인팅 방법을 제안한다. 본 논문은 360도 등장방형도법 포맷(Equirectangular format) 파노라마 이미지를 입력으로 받아 상대적으로 적은 왜곡을 가지는 큐브 맵 포맷(Cube map format)으로 변환하여 네트워크 학습에 사용한다. 큐브 맵 포맷을 이용하기 때문에 큐브 맵의 6면의 상관관계를 고려해야한다. 따라서, 큐브 맵 6면 전체와 큐브 맵 한 면씩 판별 네트워크에 입력 받아 생성된 이미지의 진위판별을 학습한다. 제안하는 네트워크는 기존 단일 이미지 인페인팅 알고리즘보다 정성적으로 좋은 성능을 보였다. 우리 시스템은 스트리트 뷰(Street view)와 같은 파노라마 이미지 내에서 원하지 않는 물체를 제거하여 프라이버시(Privacy)를 보호할 수 있으며, 워터마크를 제거할 수 있으며, 이미지를 편집할 수 있다.
인페인팅 연구는 컴퓨터 비전 영역에서 오랫동안 지속된 연구이다. 인공지능 기술이 발전함에 따라 인페인팅 연구에도 딥 러닝 기술이 도입되어 성능 향상에 큰 도움을 주었다. 현재 딥러닝을 이용한 인페인팅 알고리즘의 입력 대상은 단일 이미지에서 비디오까지 연구되고 있다. 그러나 파노라마 이미지에 대한 딥 러닝 기반 인페인팅은 많이 연구되지 않았다. 우리는 생성적 적대 네트워크(Generative Adversarial Networks, GANs)를 이용한 360도 파노라마 이미지 인페인팅 방법을 제안한다. 본 논문은 360도 등장방형도법 포맷(Equirectangular format) 파노라마 이미지를 입력으로 받아 상대적으로 적은 왜곡을 가지는 큐브 맵 포맷(Cube map format)으로 변환하여 네트워크 학습에 사용한다. 큐브 맵 포맷을 이용하기 때문에 큐브 맵의 6면의 상관관계를 고려해야한다. 따라서, 큐브 맵 6면 전체와 큐브 맵 한 면씩 판별 네트워크에 입력 받아 생성된 이미지의 진위판별을 학습한다. 제안하는 네트워크는 기존 단일 이미지 인페인팅 알고리즘보다 정성적으로 좋은 성능을 보였다. 우리 시스템은 스트리트 뷰(Street view)와 같은 파노라마 이미지 내에서 원하지 않는 물체를 제거하여 프라이버시(Privacy)를 보호할 수 있으며, 워터마크를 제거할 수 있으며, 이미지를 편집할 수 있다.
In the field of computer vision, inpainting research has been continuously studied. As artificial intelligence technology developed, deep learning technology was also introduced in inpainting research, which helped to improve performance. Currently, the input target of the inpainting algorithm using...
In the field of computer vision, inpainting research has been continuously studied. As artificial intelligence technology developed, deep learning technology was also introduced in inpainting research, which helped to improve performance. Currently, the input target of the inpainting algorithm using deep learning has been studied from a single image to a video. However, deep learning-based inpainting technology for panoramic images has not been actively studied. We propose a 360-degree panoramic image inpainting method using Generative Adversarial Networks (GANs). The proposed network receives a 360-degree equirectangular format panoramic image, converts it into a cube map format with relatively little distortion, and uses it for network learning. Since the cubemap format is used, the correlation of the six sides of the cubemap should be considered. Therefore, the entire cubemap and the cubemap are studied on the authenticity of the generated image after being input to the discrimination network. The proposed network performed qualitatively better than the existing single image inpainting algorithm.
In the field of computer vision, inpainting research has been continuously studied. As artificial intelligence technology developed, deep learning technology was also introduced in inpainting research, which helped to improve performance. Currently, the input target of the inpainting algorithm using deep learning has been studied from a single image to a video. However, deep learning-based inpainting technology for panoramic images has not been actively studied. We propose a 360-degree panoramic image inpainting method using Generative Adversarial Networks (GANs). The proposed network receives a 360-degree equirectangular format panoramic image, converts it into a cube map format with relatively little distortion, and uses it for network learning. Since the cubemap format is used, the correlation of the six sides of the cubemap should be considered. Therefore, the entire cubemap and the cubemap are studied on the authenticity of the generated image after being input to the discrimination network. The proposed network performed qualitatively better than the existing single image inpainting algorithm.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.