[논문]자연스러운 저조도 영상 개선을 위한 비지도 학습

이헌상; 손광훈; 민동보

doi:10.9717/kmms.2020.23.2.135

자연스러운 저조도 영상 개선을 위한 비지도 학습
Unsupervised Learning with Natural Low-light Image Enhancement 원문보기

멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.23 no.2, 2020년, pp.135 - 145

이헌상 (School of Electrical & Electronic Engineering, Yonsei University) , 손광훈 (School of Electrical & Electronic Engineering, Yonsei University) , 민동보 (Department of Computer Science & Engineering, Ewha Womans University)

Abstract ▼ AI-Helper

Recently, deep-learning based methods for low-light image enhancement accomplish great success through supervised learning. However, they still suffer from the lack of sufficient training data due to difficulty of obtaining a large amount of low-/normal-light image pairs in real environments. In this paper, we propose an unsupervised learning approach for single low-light image enhancement using the bright channel prior (BCP), which gives the constraint that the brightest pixel in a small patch is likely to be close to 1. With this prior, pseudo ground-truth is first generated to establish an unsupervised loss function. The proposed enhancement network is then trained using the proposed unsupervised loss function. To the best of our knowledge, this is the first attempt that performs a low-light image enhancement through unsupervised learning. In addition, we introduce a self-attention map for preserving image details and naturalness in the enhanced result. We validate the proposed method on various public datasets, demonstrating that our method achieves competitive performance over state-of-the-arts.

주제어

표/그림 (8)

그림 Fig. 1. Unnatural artifacts of existing methods.
그림 Fig. 2. Overall architecture of the proposed method.
그림 Fig. 3. Comparison with initial illumination map and predicted illumination map.
그림 Fig. 4. An example of saturation.
표 Table 1. The performance validation of self-attention map. Avg. is the mean value of the results across all datasets
표 Table 2. Quantitative evaluation with state-of-the-art methods. The lower is the better
그림 Fig. 5. Qualitative evaluation of FiveK [15] dataset.
그림 Fig. 6. Qualitative evaluation of LIME [8] and NPE [6] dataset.

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

환경 조명 A를 지역적으로 변화시키며 학습함으로써 과포화를 해결할 수도 있으나, 비지도 개선 방식에서 이는 어려운 과제이다. 따라서 본 논문에서는 이를 해결하기 위하여 자기-주목(self-attention) 맵을 통한 저조도 영상 개선을 수행한다. 이는 다음과 같이 저조도 입력 영상을 HSV 컬러 공간으로 변환한 뒤 계산한다.
본 논문에서는 저조도 영상을 개선하기 위한 새로운 방법을 제안하였다. 기존 방식들이 실제 저조도 환경에서의 정답 데이터가 부족하다는 이유로 인위적인 데이터 셋을 만들어 학습하던 문제를 해결하기 위하여 BCP를 사용한 비지도 학습을 통해 저조도 개선을 수행하였다.
이러한 문제를 해결하기 위하여, 본 논문에서는 비지도 학습 기반의 저조도 영상 개선 방식을 제안한다. 이를 위해 안개 제거 연구 [16, 17]에서 사용되는 dark channel prior (DCP)에 착안하여, bright channel prior (BCP)에 기반한 비지도 딥러닝 네트워크를 설계하였다.

제안 방법

이를 위해 안개 제거 연구 [16, 17]에서 사용되는 dark channel prior (DCP)에 착안하여, bright channel prior (BCP)에 기반한 비지도 딥러닝 네트워크를 설계하였다. BCP는 저 조도가 개선된 영상의 패치 내에서 가장 밝은 값을 가지는 픽셀의 값이 1에 가까워야 한다는 제약 조건으로, 본 논문에서는 BCP를 통해 초기 조명 맵을 예측하고, 이를 유사 정답으로 사용해 네트워크를 학습한다. 우리가 아는 한도 내에서, 제안 방식은 비지도 학습을 통해 저 조도를 개선하는 제거하는 첫 번째 연구로 정답이 포함된 대규모 학습데이터가 필요하지 않다.
본 논문에서는 저조도 영상을 개선하기 위한 새로운 방법을 제안하였다. 기존 방식들이 실제 저조도 환경에서의 정답 데이터가 부족하다는 이유로 인위적인 데이터 셋을 만들어 학습하던 문제를 해결하기 위하여 BCP를 사용한 비지도 학습을 통해 저조도 개선을 수행하였다. 또한, 자기-주목(self-attention)맵을 사용하여 과포화(over-saturation) 문제와 같은 현상을 억제함과 동시에 자연스러운 영상을 추정할 수 있었다.
학습 시에는 Adam [26]을 사용하여 최적화하였으며, 학습률은 10^-3에서 시작하여 10^-5까지 로그 도메인에서 점차적으로 감소시켰고, 32의 배치 크기로 50 epoch까지 학습하였다. 네트워크의 가중치는 평균이 0이고 분산이 0.1이 되도록 랜덤하게 초기화하였으며, 데이터 증가를 위해 다음과 같이 3가지의 방법을 차례대로 적용하였다. 1) 임의의 위치에서 영상을 192×192 크기로 잘라 패치를 획득하고, 2) 패치를 임의의 각도(90°, 180°, 270°)로 회전시킨 뒤, 3) 회전시킨 패치의 상하좌우를 임의로 반전시켰다.
다음으로 제안 방법과 다른 저조도 개선 방법을 시각적으로 비교하였다. Fig.
선형 조합으로 보는 영상 매팅의 수식과 유사하다. 따라서 본 논문에서는 soft matting [24] 알고리즘을 추가적인 정규화 함수로 사용한 비지도 기반 손실 함수를 사용하여 블록 효과를 억제한다. 정규화 함수가 추가된 BCP 기반 손실 함수는 다음과 같이 정의
기존 방식들이 실제 저조도 환경에서의 정답 데이터가 부족하다는 이유로 인위적인 데이터 셋을 만들어 학습하던 문제를 해결하기 위하여 BCP를 사용한 비지도 학습을 통해 저조도 개선을 수행하였다. 또한, 자기-주목(self-attention)맵을 사용하여 과포화(over-saturation) 문제와 같은 현상을 억제함과 동시에 자연스러운 영상을 추정할 수 있었다. 정량적, 정성적 비교를 통하여 제안한 비지도 기반 학습 방식이 최신의 지도 학습 기반 방법들과 비교했을 때 경쟁력 있는 성능을 낸다는 것이 입증되었다.
이 장에서는 제안한 모델의 저조도 향상 성능을 검증한다. 먼저 실험 환경에 대해서 설명하고, 최신 기법 들과의 정량적, 정성적 비교를 통해 제안한 모델의 성능을 평가한다.
먼저 저조도 영상을 입력으로 받아 BCP [23]에 기반하여 초기 조명 맵 ¯t 를 계산하고, 이를 통해 비지도 손실 함수 LBCP 를 정의하여 최종적으로 대비 개선을 위한 조명 맵 t 를 예측한다.
6의 네 번째 줄의 영상에서 다른 방법들과 마찬가지로 배경의 조명이 검은색에서 보라색으로 변형되었다. 반면에, 제안한 방법은 저조도 영상의 색감을 비슷하게 유지하고 어두운 영역의 가시성을 향상시키면서 디테일을 보존하여 더욱 자연스러운 결과를 생성한다. 따라서, 정량적 결과 비교에서도 확인할 수 있었듯이, 제안 방법의 결과가 기존 방법들과 비교하여 더욱 자연스러운 영상을 생성하며 디테일을 보존한 저조도 개선을 이루었다고 볼 수있다.
본 논문에서는 제안하는 방법은 비지도 학습 기반이기 때문에 정량적 결과를 비교하기 위하여 다음과 같은 두 가지의 평가 방법을 사용하였다. 첫 번째로는 대비 개선 결과 영상의 컬러 왜곡을 측정하는 lightness order error (LOE) [6]를 사용하였고, 두번째로는 이미지의 전반적인 자연스러움을 평가하는 모델로 성능을 측정하는 naturalness image quality evaluator (NIQE) [27]를 사용하였다.
1) 임의의 위치에서 영상을 192×192 크기로 잘라 패치를 획득하고, 2) 패치를 임의의 각도(90°, 180°, 270°)로 회전시킨 뒤, 3) 회전시킨 패치의 상하좌우를 임의로 반전시켰다. 위의 3가지 단계를 적용하여 얻어진 영상을 네트워크의 입력으로 사용하였다. 또한, BCP를 계산할 때의 패치 Ω 의 크기는 15×15로 설정하였으며, 정규화 함수를 위한 패치 φ 의 크기는 3×3을 사용하였다.
이러한 영향을 줄이기 위해 추가적인 매개 변수 w (0 < w < 1) 를 추가하였으며, 본 논문에서는 w 를 0.85로 고정해 놓고 조명 맵을 예측하였다.
이러한 문제를 해결하기 위하여, 본 논문에서는 비지도 학습 기반의 저조도 영상 개선 방식을 제안한다. 이를 위해 안개 제거 연구 [16, 17]에서 사용되는 dark channel prior (DCP)에 착안하여, bright channel prior (BCP)에 기반한 비지도 딥러닝 네트워크를 설계하였다. BCP는 저 조도가 개선된 영상의 패치 내에서 가장 밝은 값을 가지는 픽셀의 값이 1에 가까워야 한다는 제약 조건으로, 본 논문에서는 BCP를 통해 초기 조명 맵을 예측하고, 이를 유사 정답으로 사용해 네트워크를 학습한다.
제안 방식은 Python기반의 Tensorflow를 사용하여 구현되었으며, NVidia TITAN RTX를 사용하여 학습되었다. 학습 시에는 Adam [26]을 사용하여 최적화하였으며, 학습률은 10^-3에서 시작하여 10^-5까지 로그 도메인에서 점차적으로 감소시켰고, 32의 배치 크기로 50 epoch까지 학습하였다.
Wei [10]는 Retinex 모델을 사용하여 영상을 반사도 성분과 조명 성분으로 나누었다. 조명 성분의 값을 증가시키고 노이즈 제거 기법인 BM3D [21]를 반사도 영상에 적용한 후 두 성분을 다시 결합함으로써 개선된 영상을 획득하였다. Ren [12]은 전역적 특징을 예측함으로써 가시성을 개선하였으며, 공간 적응적 recurrent neural networks (RNN)을 사용하여 영상의 디테일을 보정하였다.
먼저 저조도 영상을 입력으로 받아 BCP [23]에 기반하여 초기 조명 맵 ¯t 를 계산하고, 이를 통해 비지도 손실 함수 L_BCP 를 정의하여 최종적으로 대비 개선을 위한 조명 맵 t 를 예측한다. 초기 조명 맵에 존재하는 블록 효과를 억제하기 위해서 soft-matting [24]을 사용한 정규화 함수를 추가하였으며, 자기-주목 (self-attention) 맵은 과도한 개선을 막으면서 개선 된 영상의 디테일을 보존함과 동시에 더욱 자연스러운 결과를 제공한다. 본 논문에서 제안하는 방법은 다른 방법들 [10-13]과 달리 복잡한 구조의 네트워크를 사용하지 않고 매우 간단한 encoder-decoder 구조만을 사용하면서, 비지도 학습 임에도 불구하고 최근의 지도 학습 기반 방법들 [10-13]과 유사하거나 더 나은 성능을 보인다.
제안 방식은 Python기반의 Tensorflow를 사용하여 구현되었으며, NVidia TITAN RTX를 사용하여 학습되었다. 학습 시에는 Adam [26]을 사용하여 최적화하였으며, 학습률은 10^-3에서 시작하여 10^-5까지 로그 도메인에서 점차적으로 감소시켰고, 32의 배치 크기로 50 epoch까지 학습하였다. 네트워크의 가중치는 평균이 0이고 분산이 0.

대상 데이터

제안된 방법은 비지도 학습을 기반으로 하기 때문에, 학습에 어떠한 저조도 영상도 사용할 수 있다. 본 논문에서는 LOL [10]과 SICE [25]과 같은 공개된 데이터 셋으로부터 학습 데이터를 수집하였다. LOL 데이터셋 [10]은 1,500개의 저 조도와 일반 조도 영상 쌍을 제공하며, SICE 데이터 셋 [25]은 589개 장면의 다중 노출 연속 영상과 그에 해당하는 HDR 영상을 정답으로 제공한다.
먼저, Table 1은 자기-주목(self-attention) 맵의 성능을 검증하기 위하여 해당 맵의 사용 여부에 따른 성능을 비교하였다. 비교 데이터셋으로는 FiveK [15], LIME [8], NPE [6]를 사용하였다. 여기서 L^BCP는 Bright Channel Prior 손실 함수 만을 사용한 결과이고, L^BCP + I_att는 손실 함수에 자기-주목 맵을 함께 적용한 결과이다.
학습/검증 데이터 분할을 위해서 LOL에서 1485장의 영상을, SICE에서 534장의 영상을 학습에 사용하였으며, 나머지 영상들을 검증에 사용하였다. 최신 방법인 UPE [13]을 따라서, 다음과 같이 500장의 MIT-Adobe FiveK 데이터 셋 [15] 영상을 평가에 사용하였으며, 추가적으로 저조도 영상 개선 연구에서 많이 사용되는 LIME [8]과 NPE [6] 데이터 셋 또한 평가를 위해 사용하였다.
LOL 데이터셋 [10]은 1,500개의 저 조도와 일반 조도 영상 쌍을 제공하며, SICE 데이터 셋 [25]은 589개 장면의 다중 노출 연속 영상과 그에 해당하는 HDR 영상을 정답으로 제공한다. 학습/검증 데이터 분할을 위해서 LOL에서 1485장의 영상을, SICE에서 534장의 영상을 학습에 사용하였으며, 나머지 영상들을 검증에 사용하였다. 최신 방법인 UPE [13]을 따라서, 다음과 같이 500장의 MIT-Adobe FiveK 데이터 셋 [15] 영상을 평가에 사용하였으며, 추가적으로 저조도 영상 개선 연구에서 많이 사용되는 LIME [8]과 NPE [6] 데이터 셋 또한 평가를 위해 사용하였다.

이론/모형

우리가 아는 한도 내에서, 제안 방식은 비지도 학습을 통해 저 조도를 개선하는 제거하는 첫 번째 연구로 정답이 포함된 대규모 학습데이터가 필요하지 않다. 또한, 대비가 개선된 결과 영상에서 자연스러움을 보존하기 위하여 자기-주목(self-attention) 맵을 사용하였다. 이는 제안하는 네트워크가 과도한 개선을 하지 않도록 제어해주며, 어두운 영역에 존재하는 물체의 디테일을 보존할 수 있게 만든다.
BCP [23]은 안개 영상의 투과도 맵을 예측하여 안개를 제거하기 위해 사용된 dark channel prior (DCP) [16]의 변형으로 영상의 지역적인 노출 값을 조정하기 위하여 처음 제안되었다. 본 논문에서는 비지도 손실 함수를 정의하는데 사용되는 초기 조명 맵을 예측하기 위하여 BCP를 사용한다. 저조도 개선을 위한 목적 함수는 다음과 같이 정의하였다.
본 논문에서는 제안하는 방법은 비지도 학습 기반이기 때문에 정량적 결과를 비교하기 위하여 다음과 같은 두 가지의 평가 방법을 사용하였다. 첫 번째로는 대비 개선 결과 영상의 컬러 왜곡을 측정하는 lightness order error (LOE) [6]를 사용하였고, 두번째로는 이미지의 전반적인 자연스러움을 평가하는 모델로 성능을 측정하는 naturalness image quality evaluator (NIQE) [27]를 사용하였다. 일반적으로 LOE와 NIQE 모두 값이 낮을수록 개선된 영상이 자연스럽다는 것을 의미한다.

성능/효과

여기서 L^BCP는 Bright Channel Prior 손실 함수 만을 사용한 결과이고, L^BCP + I_att는 손실 함수에 자기-주목 맵을 함께 적용한 결과이다. 굵게 표시된 숫자가 가장 좋은 성능을 나타내며, 표에서 확인할 수 있듯이 자기-주목(self-attention) 맵이 과포화(over-saturation) 현상과 같은 영상의 부자연스러움을 유발하는 요인들을 잘 억제하여 자연스러운 영상을 생성한다는 것을 확인할 수 있다. Table 2는 FiveK [15], LIME [8], NPE [6] 데이터 셋에서의 정량적 비교 결과를 나타낸 것이다.
반면에, 제안한 방법은 저조도 영상의 색감을 비슷하게 유지하고 어두운 영역의 가시성을 향상시키면서 디테일을 보존하여 더욱 자연스러운 결과를 생성한다. 따라서, 정량적 결과 비교에서도 확인할 수 있었듯이, 제안 방법의 결과가 기존 방법들과 비교하여 더욱 자연스러운 영상을 생성하며 디테일을 보존한 저조도 개선을 이루었다고 볼 수있다.
초기 조명 맵에 존재하는 블록 효과를 억제하기 위해서 soft-matting [24]을 사용한 정규화 함수를 추가하였으며, 자기-주목 (self-attention) 맵은 과도한 개선을 막으면서 개선 된 영상의 디테일을 보존함과 동시에 더욱 자연스러운 결과를 제공한다. 본 논문에서 제안하는 방법은 다른 방법들 [10-13]과 달리 복잡한 구조의 네트워크를 사용하지 않고 매우 간단한 encoder-decoder 구조만을 사용하면서, 비지도 학습 임에도 불구하고 최근의 지도 학습 기반 방법들 [10-13]과 유사하거나 더 나은 성능을 보인다.
또한, 자기-주목(self-attention)맵을 사용하여 과포화(over-saturation) 문제와 같은 현상을 억제함과 동시에 자연스러운 영상을 추정할 수 있었다. 정량적, 정성적 비교를 통하여 제안한 비지도 기반 학습 방식이 최신의 지도 학습 기반 방법들과 비교했을 때 경쟁력 있는 성능을 낸다는 것이 입증되었다. 후속 연구로, 저조도 영상에는 노이즈가 포함되어 있으므로 개선된 영상에서의 증폭된 노이즈를 함께 고려할 수 있는 비지도 기반 네트워크를 연구하고자 한다.
굵게, 빨간색, 파란색으로 표시된 결과는 첫 번째, 두 번째, 세번째로 성능이 좋다는 것을 의미한다. 제안 방법은 NIQE에서는 최근 방법인 DHN [12], UPE [13]과 유사한 성능을 보이며, LOE에서는 제안 방법이 다른 방법들보다 뛰어난 것을 확인할 수 있다.

후속연구

그러므로, ¯t 를 조명 맵으로 사용할 경우, J 또한 블록 효과가 존재할 수 있기 때문에, 추가적인 개선이 필요하다.
정량적, 정성적 비교를 통하여 제안한 비지도 기반 학습 방식이 최신의 지도 학습 기반 방법들과 비교했을 때 경쟁력 있는 성능을 낸다는 것이 입증되었다. 후속 연구로, 저조도 영상에는 노이즈가 포함되어 있으므로 개선된 영상에서의 증폭된 노이즈를 함께 고려할 수 있는 비지도 기반 네트워크를 연구하고자 한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	저조도 환경에서 획득된 영상의 특징은 무엇인가?	저조도 환경에서 획득된 영상은 적은 광자 수와 낮은 신호 대 잡음 비로 인하여 낮은 가시성과 대비, 심각한 노이즈에 의해 열화 될 수 있다. 노출 시간을 늘림으로써 보다 높은 화질의 영상을 획득할 수 있으나, 이 방법은 카메라나 물체가 움직이는 상황에서 블러 문제를 초래한다.
	BCP란 무엇인가?	이를 위해 안개 제거 연구 [16, 17]에서 사용되는 dark channel prior (DCP)에 착안하여, bright channel prior (BCP)에 기반한 비지도 딥러닝 네트워크를 설계하였다. BCP는 저 조도가 개선된 영상의 패치 내에서 가장 밝은 값을 가지는 픽셀의 값이 1에 가까워야 한다는 제약 조건으로, 본 논문에서는 BCP를 통해 초기 조명 맵을 예측하고, 이를 유사 정답으로 사용해 네트워크를 학습한다. 우리가 아는 한도 내에서, 제안 방식은 비지도 학습을 통해 저 조도를 개선하는 제거하는 첫 번째 연구로 정답이 포함된 대규모 학습데이터가 필요하지 않다.
	자기-주목(self-attention) 맵을 통한 저조도 영상 개선을 수행한 정성적 결과는?	반면에, 제안한 방법은 저조도 영상의 색감을 비슷하게 유지하고 어두운 영역의 가시성을 향상시키면서 디테일을 보존하여 더욱 자연스러운 결과를 생성한다. 따라서, 정량적 결과 비교에서도 확인할 수 있었듯이, 제안 방법의 결과가 기존 방법들과 비교하여 더욱 자연스러운 영상을 생성하며 디테일을 보존한 저조도 개선을 이루었다고 볼 수있다.

참고문헌 (28)

J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, "You Only Look Once: Unified, Realtime Object Detection," Proceeding of Conference on Computer Vision and Pattern Recognition, pp. 779-788, 2016.
J. Deng, W. Dong, R. Socher, L.J. Li, K. Li, and L.F. Fei, "Imagenet: A Large-scale Hierarchical Image Database," Proceeding of Conference on Computer Vision and Pattern Recognition, pp. 248-255, 2009.
L.C. Chen, G. Papandreou, I. Kokkinos, K. Murphy, and A.L. Yuille, "Deeplab: Semantic Image Segmentation with Deep Convolutional nets, Atrous Convolution, and Fully Connected Crfs," Transaction on Pattern Analysis and Machine Intelligence, Vol. 40, No. 4, pp. 834-848, 2017.
S.M. Pizer, R.E. Johnston, J.P. Ericksen, B.C. Yankaskas, and K.E. Muller, "Contrast- limited Adaptive Histogram Equalization: Speed and Effectiveness," Proceeding of Conference on Visualization in Biomedical Computing, pp. 337-345, 1990.
M.A.A. Wadud, M.H. Kabir, M.A.A. Dewan, and O. Chae, "A Dynamic Histogram Equalization for Image Contrast Enhancement," Transaction on Consumer Electronics, Vol. 53, No. 2, pp. 593-600, 2007.

상세보기
S. Wang, J. Zheng, H.M. Hu, and B. Li, "Naturalness Preserved Enhancement Algorithm for Non-uniform Illumination Images," Transaction on Image Processing, Vol. 22, No. 9, pp. 3538-3548, 2013.

상세보기
X. Fu, D. Zeng, Y. Huang, X.P. Zhang, and X. Ding, "A Weighted Variational Model for Simultaneous Reflectance and Illumination Estimation," Proceeding of Conference on Computer Vision and Pattern Recognition, pp. 2782-2790, 2016.
X. Guo, Y. Li, and H. Ling, "Lime: Low-light Image Enhancement Via Illumination Map Estimation," Transaction on Image Processing, Vol. 26, No. 2, pp. 982-993, 2016.
K.G. Lore, A. Akintayo, and S. Sarkar, "Llnet: A Deep Autoencoder Approach to Natural Low-light Image Enhancement," Pattern Recognition, Vol. 61, pp. 650-662, 2017.

상세보기
C. Wei, W. Wang, W. Yang, and J. Liu, "Deep Retinex Decomposition for Low-light Enhancement," Proceeding of British Machine Vision Conference, pp. 1-12, 2018.
C. Li, J. Guo, F. Porikli, and Y. Pang, "Lightennet: A Convolutional Neural Network for Weakly Illuminated Image Enhancement," Pattern Recognition Letters, Vol. 104, pp. 15-22, 2018.

상세보기
W. Ren, S. Liu, L. Ma, Q. Xu, X. Xu, X. Cao, et al., "Low-light Image Enhancement Via a Deep Hybrid Network," Transaction on Image Processing, Vol. 28, No. 9, pp. 4364-4375, 2019.

상세보기
R. Wang, Q. Zhang, C.W. Fu, X. Shen, W.S. Zheng, and J. Jia, "Underexposed Photo Enhancement Using Deep Illumination Estimation," Proceeding of Conference on Computer Vision and Pattern Recognition, pp. 6849-6857, 2019.
Flickr, https://www.flickr.com/ (accessed November 22, 2019).
V. Bychkovsky, S. Paris, E. Chan, and F. Durand, "Learning Photographic Global Tonal Adjustment with a Database of Input/Output Image Pairs," Proceeding of Conference on Computer Vision and Pattern Recognition, pp. 97-104, 2011.
K. He, J. Sun, and X. Tang, "Single Image Haze Removal Using Dark Channel Prior," Transaction on Pattern Analysis and Machine Intelligence, Vol. 33, No. 12, pp. 2341-2353, 2010.
A. Golts, D. Freedman, and M. Elad, "Unsupervised Single Image Dehazing Using Dark Channel Prior Loss," arXiv Preprint ArXiv: 1812.07051, 2018.
X. Zhang, P. Shen, L. Luo, L. Zhang, and J. Song, "Enhancement and Noise Reduction of Very Low Light Level Images," Proceeding of International Conference on Pattern Recognition, pp. 2034-2037, 2012.
L. Li, R. Wang, W. Wang, and W. Gao, "A Low-light Image Enhancement Method for Both Denoising and Contrast Enlarging," Proceeding of International Conference on Image Processing, pp. 3730-3734, 2015.
G. Petschnigg, R. Szeliski, M. Agrawala, M. Cohen, H. Hoppe, and K. Toyama, "Digital Photography with Flash and No-flash Image Pairs," Transaction on Graphics, Vol. 23, No. 3, pp. 664-672, 2004.

상세보기
K. Dabov, A. Foi, V. Katkovnik, and K. Egiazarian, "Image Denoising by Sparse 3-D Transform-domain Collaborative Filtering," Transaction on Image Processing, Vol. 16, No. 8, pp. 2080-2095, 2007.

상세보기
M. Gharbi, J. Chen, J.T. Barron, S.W. Hasinoff, and F. Durand, "Deep Bilateral Learning for Real-time Image Enhancement," Transaction on Graphics, Vol. 36, No. 4, pp. 118, 2017.
Y. Wang, S. Zhuo, D. Tao, J. Bu, and N. Li, "Automatic Local Exposure Correction Using Bright Channel Prior for Under-exposed Images," Signal Processing, Vol. 93, No. 11, pp. 3227-3238, 2013.

상세보기
A. Levin, D. Lischinski, and Y. Weiss, "A Closed-form Solution to Natural Image Matting," Transaction on Pattern Analysis and Machine Intelligence, Vol. 30, No. 2, pp. 228-242, 2008.

상세보기
J. Cai, S. Gu, and L. Zhang, "Learning a Deep Single Image Contrast Enhancer from Multi-Exposure Images," Transaction on Image Processing, Vol. 27, No. 4, pp. 2049-2062, 2018.

상세보기
D.P. Kingma and J. Ba, "Adam: A Method for Stochastic Optimization," Proceeding of International Conference on Learning Representations, 2015.
A. Mittal, R. Soundararajan, and A.C. Bovik, "Making a "Completely Blind" Image Quality Analyzer," Signal Processing Letters, Vol. 20, No. 3, pp. 209-212, 2012.
S. Jung, J. Kim, D. Lee, S. Lee, and G. Kim, "Intelligent Video Event Detection System Used by Image Object Identification Technique," Journal of Korea Multimedia Society, Vol. 13, No. 2, pp. 171-178, 2010.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증