[논문]CARDB를 이용한 반복적인 업-다운 샘플링 네트워크 기반의 단일 영상 초해상도 복원

김인구; 유송현; 정제창

doi:10.5909/jbe.2020.25.2.242

CARDB를 이용한 반복적인 업-다운 샘플링 네트워크 기반의 단일 영상 초해상도 복원
Single Image Super-Resolution Using CARDB Based on Iterative Up-Down Sampling Architecture 원문보기

방송공학회논문지 = Journal of broadcast engineering, v.25 no.2, 2020년, pp.242 - 251

김인구 (한양대학교 전자컴퓨터통신공학과) , 유송현 (한양대학교 전자컴퓨터통신공학과) , 정제창 (한양대학교 전자컴퓨터통신공학과)

초록
AI-Helper

최근 단일 영상 초해상도에 깊은 합성 곱 신경망을 적용한 알고리듬이 많이 연구되었다. 현존하는 딥러닝 기반 초해상도 기법들은 네트워크의 후반부에 해상도를 업샘플링 하는 구조를 가진다. 이러한 구조는 저해상도에서 고해상도로 한 번에 매핑을 하기에 많은 정보를 예측하는 높은 확대율에서 비효율적인 구조를 가진다. 본 논문에서는 반복적인 업-다운 샘플링 구조를 기반으로 하여 채널 집중 잔여 밀집 블록을 이용한 단일 영상 초해상도 기법을 제안한다. 제안한 알고리듬은 저해상도와 고해상도의 매핑 관계를 효율적으로 예측하여 높은 확대율에서 기존의 알고리듬에 비해 최대 0.14dB 성능 향상과 개선된 주관적 화질을 보여준다.

Abstract ▼ AI-Helper

Recently, many deep convolutional neural networks for image super-resolution have been studied. Existing deep learning-based super-resolution algorithms are architecture that up-samples the resolution at the end of the network. The post-upsampling architecture has an inefficient structure at large scaling factor result of predicting a lot of information for mapping from low-resolution to high-resolution at once. In this paper, we propose a single image super-resolution using Channel Attention Residual Dense Block based on an iterative up-down sampling architecture. The proposed algorithm efficiently predicts the mapping relationship between low-resolution and high-resolution, and shows up to 0.14dB performance improvement and enhanced subjective image quality compared to the existing algorithm at large scaling factor result.

주제어

표/그림 (11)

그림 그림 1. DBPN 네트워크 구조 Fig. 1. Architecture of DBPN
그림 그림 2. 제안하는 네트워크의 구조 Fig. 2. The architecture of proposed network
그림 그림 3. 제안하는 알고리듬에서 사용한 업-다운 샘플링 모듈 구조 Fig. 3. The architecture of proposed up-down sampling module
그림 그림 4. CARDB 구조 Fig. 4. The Architecture of CARDB
표 표 1. 시험 데이터셋에 대한 최대 신호 대 잡음비 (dB) Table 1. The PSNR of test dataset
표 표 2. 시험 데이터셋에 대한 구조적 유사성 Table 2. The SSIM of test dataset
표 표 3. 파라미터 수, 실행시간에 대한 성능 비교 Table 3. Performance comparison of number of parameters, running time
표 표 4. 채널 집중과 전역 잔차 학습 사용에 따른 성능 비교 Table 4. Performance comparison by using channel attention and global residual learning
그림 그림 5. 기존 기법들과의 ×2 주관적 화질 비교 Fig. 5. ×2 Subjective image quality comparison with conventional methods
그림 그림 6. 기존 기법들과의 ×4 주관적 화질 비교 Fig. 6. ×4 Subjective image quality comparison with conventional methods
그림 그림 7. 채널 집중 및 전역 잔차 학습과 자기 앙상블에 대한 ×4 주관적 화질 비교 Fig. 7. ×4 Subjective image quality comparison for channel attention, global residual learning and self ensemble

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 높은 확대율에서 비효율적인 구조를 가지는 문제를 해결하기 위해 채널 집중 잔여 밀집 블록 (CARDB: channel attention residual dense block)을 제안하고 이를 이용한 반복적인 업-다운 샘플링 네트워크 구조를 구성한다. 제안된 방식은 이전의 학습된 유의미한 특징 정보를 재활용하기 위한 잔여 밀집 블록 (RDB: residual dense block)과 특징별로 중요도에 따른 가중치를 주기 위해 채널 집중 (channel attention) 기법을 적용하여 고해상도와 저해상도의 매핑 연관성을 효율적으로 추론하도록 하였다.
본 논문에서는 채널 집중 잔여 밀집 블록을 이용한 반복적 업-다운 샘플링 기반의 초해상도 기법을 제안하였다. 기존의 반복적 업-다운 샘플링 네트워크인 DBPN은 이전의 유의미한 특징 정보를 효율적으로 활용하지 못하는 단점과 네트워크가 깊어지면 수용 영역이 커지지만 합성곱 계층에 의해 국소적 영역의 정보만을 활용하는 단점을 가진다.

가설 설정

제안한 알고리듬을 실험하기 위해 고해상도 영상과 이에 상응하는 저해상도 영상이 존재해야 한다. 학습을 위한 데이터셋으로 DIV2K 800장과 Flickr2K 2650장을 사용하였고 검증셋 (validation set)으로 5장의 영상으로 이루어진 Set5^[18]를 이용하였다.

제안 방법

표 3은 제안하는 모델의 업-다운 샘플링의 반복 횟수와 성장률에 따른 성능을 비교한다. 각 단계는 성장률 32를 기본 설정으로 가지며 업-다운 샘플링 모듈을 하나의 쌍으로 하여 4번, 7번, 10번 시행하였다.
마지막으로 추출된 고해상도 특징 맵들을 종합하여 개선된 고해상도 영상으로 복원한다. 네트워크의 효율적인 학습을 위해 입력 영상을 쌍 입방 보간법 (bicubic inter- polation)을 통해 확대 후 마지막 단계에 전달함으로써 영상의 미세한 부분을 학습하도록 초점을 맞추었다.
높은 확대율에서 더욱 섬세한 영역을 학습하기 위해 제안하는 반복적 업-다운 샘플링 모듈을 사용하였다(그림 3). 기존의 업-다운 샘플링 모듈은 이전에 학습된 특징 정보를 제대로 활용하지 않는 비효율적인 구조를 가진다.
첫째, 저해상 도의 영상이 특징 추출 (feature extraction) 단계에 입력되어 저해상도 영상의 특징을 추출한다. 둘째, 저해상도-고해상도 매핑 단계에서 서로 다른 고해상도 특징 맵들을 추출한다. 마지막으로 추출된 고해상도 특징 맵들을 종합하여 개선된 고해상도 영상으로 복원한다.
기존의 반복적 업-다운 샘플링 네트워크인 DBPN은 이전의 유의미한 특징 정보를 효율적으로 활용하지 못하는 단점과 네트워크가 깊어지면 수용 영역이 커지지만 합성곱 계층에 의해 국소적 영역의 정보만을 활용하는 단점을 가진다. 문제를 개선하고 성능 향상을 위해 이전의 학습된 특징 맵 정보들을 각 계층에서 재활용하여 비효율적인 매핑 구조를 해결하는 RDB와 특징 맵의 전역 정보를 중요도에 따라 서로 다른 웨이트 값을 매핑하여 깊은 신경망 구조에서 효율적으로 학습하는 채널 집중 기법을 결합한 CARDB 기반의 반복적 업-다운 샘플링 초해상도 기법을 제안하였다.
비교 알고리듬은 쌍 입방 보간법, Dong 등의 SRCNN^[3], Kim 등의 VDSR^[6], Haris 등의 DBPN^[5], Lim 등의 EDSR^[4] 으로, 총 5개의 기존 알고리듬과 비교하였다. 결과 영상의 성능을 비교하기 위해 최대 신호 대 잡음비 (PSNR: peak signal-to-noise ratio)와 구조적 유사성 (SSIM: structural similarity)을 사용하였다.
제안하는 알고리듬은 기본적으로 DBPN과 같이 반복적 업-다운 샘플링 네트워크 구조를 가진다. 성능을 개선하기 위해 잔여 밀집 블록과 채널 집중을 결합한 채널 집중 잔여 밀집 블록 (CARDB)을 활용한 반복적인 업-다운 샘플링 네트워크를 제안한다. 그림 2는 제안하는 네트워크 구조를 도식화하였다.
영상을 임의의 위치에서 48×48 크기의 패치 (patch) 단위로 나누어 학습에 사용했다.
Zhang 등은 채널 집중 (channel attention) 네트워크를 제안했다^[10]. 이 기법은 합성 곱 계층이 영상의 지역적 영역 (local area)을 활용한 방법을 벗어나 영상의 전체 영역(global area)을 활용하여 영상의 특징맵에서 중요도에 따라 0과 1 사이의 웨이트를 할당하는 방법을 사용했다.
각 모듈의 합성 곱 계층은 해상도 축소를 목적 으로 사용이 되며 해상도를 높이기 위해 디컨볼루션 (de- convlution)을 사용하였다. 제안된 각 모듈은 내부적으로 고해상도로 높이고 저해상도로 낮추는 연관성에 대해 학습 하며 학습된 정보와 초기 정보 간의 차이 성분인 에러를 피드백하는 메커니즘을 가진다. 이러한 방법은 에러 정보 를 활용하여 외부적으로 밀집 연결 (dense connection) 된 도메인 정보를 사용함으로써 높은 배율에서 향상된 성능을 보여주며 기존의 초해상도 기법들과 비교할 때 높은 배율 의 결과 (×4)에서 적은 파라미터를 가지면서 뛰어난 성능을 보여주었다.
본 논문에서는 높은 확대율에서 비효율적인 구조를 가지는 문제를 해결하기 위해 채널 집중 잔여 밀집 블록 (CARDB: channel attention residual dense block)을 제안하고 이를 이용한 반복적인 업-다운 샘플링 네트워크 구조를 구성한다. 제안된 방식은 이전의 학습된 유의미한 특징 정보를 재활용하기 위한 잔여 밀집 블록 (RDB: residual dense block)과 특징별로 중요도에 따른 가중치를 주기 위해 채널 집중 (channel attention) 기법을 적용하여 고해상도와 저해상도의 매핑 연관성을 효율적으로 추론하도록 하였다.
그림 2는 제안하는 네트워크 구조를 도식화하였다. 제안하는 알고리듬은 3단계로 특징 추출, 반복적인 저해상도-고해상도 매핑, 재구성 단계로 구성된다. 첫째, 저해상 도의 영상이 특징 추출 (feature extraction) 단계에 입력되어 저해상도 영상의 특징을 추출한다.
제안하는 알고리듬은 기본적으로 DBPN과 같이 반복적 업-다운 샘플링 네트워크 구조를 가진다. 성능을 개선하기 위해 잔여 밀집 블록과 채널 집중을 결합한 채널 집중 잔여 밀집 블록 (CARDB)을 활용한 반복적인 업-다운 샘플링 네트워크를 제안한다.
제안한 방법은 채널 집중 기법과 잔차 학습의 순차적 실험을 통해 높은 배율에서 효율성을 갖도록 구성하였다. 파라미터 비교 및 실행 시간 그리고 PSNR 결과를 통해 4번 시행한 결과에서 DBPN보다 1.
기존의 업-다운 샘플링 모듈은 이전에 학습된 특징 정보를 제대로 활용하지 않는 비효율적인 구조를 가진다. 제안한 업-다운 샘플링 모듈은 이전 특징 맵 정보들을 효율적으로 사용하기 위해 채널 집중과 잔여 밀집 블록을 결합한 구조 채널 집중 잔여 밀집 블록 (CARDB)을 사용하였다.
첫 번째 합성 곱에서 256개의 특징 맵을 추출하고 반복적인 업-다운 샘플링 단계의 고정된 채널 수를 위해 Szegedy 등[14]이 제안한 1×1 병목 계층 (bottleneck layer)을 통해 64개의 특징맵을 추출한다.
Urban100의 ‘img076’, ‘img078’, ‘img092’, ‘img095’를 사용한 결과 영상이며 각 해상도는 256×256에서 1024×1024로 4배 확대한 결과이 다. 픽셀 단위로 개선 정도를 육안으로 확인하기 위해 관심 영역을 확대하였다. 그림 6의 결과에서 (c) bicubic은 영상을 부드럽게 하여 전체적으로 블러링이 심해 화질이 좋지 못하다.

대상 데이터

18dB만큼 적은 수치를 확인하였다. 실험에 사용된 사용된 하드웨어 환경은 GTX 1080Ti GPU와 Intel i5-6600K CPU를 사용하였다.
제안한 알고리듬을 실험하기 위해 고해상도 영상과 이에 상응하는 저해상도 영상이 존재해야 한다. 학습을 위한 데이터셋으로 DIV2K 800장과 Flickr2K 2650장을 사용하였고 검증셋 (validation set)으로 5장의 영상으로 이루어진 Set5^[18]를 이용하였다. 영상을 임의의 위치에서 48×48 크기의 패치 (patch) 단위로 나누어 학습에 사용했다.

데이터처리

또한 무작위 회전과 반전을 포함한 데이터 확장 방법 (data aug- mentation)을 사용하였다. 결과를 실험하기 위해 테스트셋 으로 Set5^[18], Set14^[19], B100^[20], Urban100^[21]을 사용하여 비교 및 분석을 하였다. 확대 배율은 2배, 3배, 4배로 설정 하였다.

이론/모형

DBPN은 반복적으로 저해상도와 고해상도 간의 투영 및 역투영을 학습할 때 업 샘플링 모듈과 다운 샘플링 모듈 을 사용한다. 각 모듈의 합성 곱 계층은 해상도 축소를 목적 으로 사용이 되며 해상도를 높이기 위해 디컨볼루션 (de- convlution)을 사용하였다. 제안된 각 모듈은 내부적으로 고해상도로 높이고 저해상도로 낮추는 연관성에 대해 학습 하며 학습된 정보와 초기 정보 간의 차이 성분인 에러를 피드백하는 메커니즘을 가진다.
으로, 총 5개의 기존 알고리듬과 비교하였다. 결과 영상의 성능을 비교하기 위해 최대 신호 대 잡음비 (PSNR: peak signal-to-noise ratio)와 구조적 유사성 (SSIM: structural similarity)을 사용하였다. 표 1과 표 2의 “+”는 자기 앙상블(self ensemble)을 적용한 결과를 나타낸다.
영상을 임의의 위치에서 48×48 크기의 패치 (patch) 단위로 나누어 학습에 사용했다. 또한 무작위 회전과 반전을 포함한 데이터 확장 방법 (data aug- mentation)을 사용하였다. 결과를 실험하기 위해 테스트셋 으로 Set5^[18], Set14^[19], B100^[20], Urban100^[21]을 사용하여 비교 및 분석을 하였다.
확대 배율은 2배, 3배, 4배로 설정 하였다. 영상을 시험하는 과정에서 좌우 반전 및 0도, 90도, 180도, 270도 회전하여 얻은 8개의 결과 영상을 평균화하는 자기 앙상블 (self ensemble) 기법을 적용하였다. PSNR 측정시 L1 loss가 L2 loss보다 영상 복원에서 더 좋은 학습 성능을 보였다^[17].
네트워크가 깊어지면 수용 영역이 커져 학습 시 합성 곱계층을 통한 결과는 국소적 영역 (local area)에 대한 정보만을 추출하여 한계가 있다. 전체 영역 (global area)의 정보를 활용하기 위해 채널 집중 기법을 사용했다. 채널 집중은 각 특징 맵마다 중요도에 따른 웨이트 값을 할당하기 위해 전역 평균 풀링 (global average pooling), 시그모이드 (sigmoid)를 사용하였다.
전체 영역 (global area)의 정보를 활용하기 위해 채널 집중 기법을 사용했다. 채널 집중은 각 특징 맵마다 중요도에 따른 웨이트 값을 할당하기 위해 전역 평균 풀링 (global average pooling), 시그모이드 (sigmoid)를 사용하였다.

성능/효과

14dB 향상된 결과를 보여주었다. 7번 시행한 결과와 10번 시행한 결과와 EDSR을 비교하면 2배 이상 적은 파라미터 수를 가지면서 0.636초, 0.346초 빠른 실행 시간과 0.09dB, 0.13dB만큼 높은 PSNR 수치를 확인하였다. 성장률을 16으로 설정한 결과는 성장률 32인 10번 시행한 결과와 비교하면 약 2배 정도의 적은 파라미터를 가지지만 같은 실행 시간을 가지며 0.
Urban100 시험 영상 데이터셋의 256×256 해상도의 영 상을 1024×1024로 확대할 때, 제안하는 기법의 4번 시행한 결과는 DBPN과 비교하면 1M 적은 파라미터 수를 가지면서 0.093초 빠른 결과를 보여주면서 0.14dB 향상된 결과를 보여주었다.
반면에 제안한 방법의 자기 앙상블 (g)는 건물 창문의 가로 및 세로 성분을 가장 비슷하게 복원하여 기존의 기법에 비해 뛰어난 성능을 보여준다. 결과적으로, 제안하는 기법의 CARDB는 이전의 의미있는 특징 정보를 효율적으로 활용하고 특징 맵의 전역적 정보를 사용함으로써 각 실험의 단계별로 객관적, 주관적 화질 비교 결과에서 우수한 성능을 보여준다.
기존 기법들과 비교한 결과, ×4의 확대 배율에서 최대 0.14dB 향상된 결과를 보여주며 자기 앙상블을 적용한 결과에서 최대 0.17dB만큼 향상된 결과를 보여준다.
13dB만큼 높은 PSNR 수치를 확인하였다. 성장률을 16으로 설정한 결과는 성장률 32인 10번 시행한 결과와 비교하면 약 2배 정도의 적은 파라미터를 가지지만 같은 실행 시간을 가지며 0.18dB만큼 적은 수치를 확인하였다. 실험에 사용된 사용된 하드웨어 환경은 GTX 1080Ti GPU와 Intel i5-6600K CPU를 사용하였다.
이러한 방법은 에러 정보 를 활용하여 외부적으로 밀집 연결 (dense connection) 된 도메인 정보를 사용함으로써 높은 배율에서 향상된 성능을 보여주며 기존의 초해상도 기법들과 비교할 때 높은 배율 의 결과 (×4)에서 적은 파라미터를 가지면서 뛰어난 성능을 보여주었다.
반면에 제안한 방법 (h)는 도로의 블록, 건물의 외벽들을 원복과 비슷하게 복원을 한 것을 보여준다. 전체적으로 제안한 방식은 높은 배율의 결과에서 뛰어난 성능을 보인다.
제안한 방법은 채널 집중 기법과 잔차 학습의 순차적 실험을 통해 높은 배율에서 효율성을 갖도록 구성하였다. 파라미터 비교 및 실행 시간 그리고 PSNR 결과를 통해 4번 시행한 결과에서 DBPN보다 1.92배 빠르며 PSNR은 0.14dB만큼 우수하며 7번, 10번 시행한 결과에서 EDSR과 비교하면 2.09배, 1.4배 빠르며 0.09dB, 0.13dB만큼 뛰어난 것을 확인하였다.

후속연구

본 논문에서 제안하는 CARDB를 이용한 반복적 업-다운 샘플링 네트워크 기반의 초해상도 기법은 높은 배율에서 뛰어난 성능을 보여주기에 영상 인식 분야의 전처리, CCTV, TV, 의료 영상 등에 다양한 산업 분야에서 활용될 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	기존 DBPN의 단점을 개선하기 위한 방법은?	기존의 반복적 업-다운 샘플링 네트워크인 DBPN은 이전의 유의미한 특징 정보를 효율적으로 활용하지 못하는 단점과 네트워크가 깊어지면 수용 영역이 커지지만 합성곱 계층에 의해 국소적 영역의 정보만을 활용하는 단점을 가진다. 문제를 개선하고 성능 향상을 위해 이전의 학습된 특징 맵 정보들을 각 계층에서 재활용하여 비효율적인 매핑 구조를 해결하는 RDB와 특징 맵의 전역 정보를 중요도에 따라 서로 다른 웨이트 값을 매핑하여 깊은 신경망 구조에서 효율적으로 학습하는 채널 집중 기법을 결합한 CARDB 기반의 반복적 업-다운 샘플링 초해상도 기법을 제안하였다.
	보간법이란 무엇인가?	이로 인해 고해상도 디스플레이 장치에서 해상도에 맞는 콘텐츠를 제공해야 고품질의 영상과 여백이 없는 스크린을 체감할 수 있지만 기존에 출시된 콘텐츠 및 영상들은 대부분 저해상도를 가져 콘텐츠가 매우 부족한 상황이다. 수학적 모델링을 통한 영상의 해상도를 높이는 방법인 보간법은 예측할 화소의 주변 화소값들을 활용하여 해상도를 높인다. 보간법은 계산량이 적다는 장점이 있지만 저주파수 필터 특성 때문에 영상을 전반적으로 블러시켜 디테일을 보존하는데에 한계가 있다.
	SR 기법은 어떻게 구분할 수 있는가?	현재 SR 기법은 딥러닝을 적용하지 않은 기법과 적용한 기법으로 크게 두 가지로 나뉜다. 먼저, 딥러닝을 적용하지 않은 SR은 영상의 내부와 외부 정보의 사용 여부에 따라 두 가지로 나눌 수 있다.

참고문헌 (21)

W. T. Freeman, T. R. Jones, and E. C. Pasztor, "Example-based super resolution," In Computer Graphics and Applications, pp. 56-65, 2002.
D. Glasner, S. Bagon, and M. Irani, "Super-resolution from a single image," In International Conference on Computer Vision, pp. 349-356, 2009.
C. Dong, C. C. Loy, K. He, and X. Tang. "Image Super-Resolution Using Deep Convolutional Networks," In Transactions on Pattern Analysis and Machine Intelligence, pp. 295-307, 2016.
B. Lim, S. Son, H. Kim, S. Nah and K. M. Lee. "Enhanced Deep Residual Networks for Single Image Super-Resolution," In Conference Workshop on Computer Vision and Pattern Recognition, pp. 1132-1140, 2017.
M. Haris, G. Shakhnarovich, and N. Ukita, "Deep Back-Projection Networks for Super-Resolution," In Conference on Computer Vision and Pattern Recognition, pp. 1664-1673, 2018.
J. Kim, J. K. Lee and K. M. Lee. "Accurate Image Super-Resolution Using Very Deep Convolutional Networks," In Conference on Computer Vision and Pattern Recognition, pp. 1646-1654, 2016.
Y. Zhang, Y. Tian, Y. Kong, B. Zhong, and Y. Fu, "Residual Dense Network for Image Super-Resolution," In Conference on Computer Vision and Pattern Recognition, pp. 2472-2481, 2018.
K. He, X. Zhang, S. Ren, and J. Sun, "Deep Residual Learning for Image Recognition," In Conference on Computer Vision and Pattern Recognition, pp. 770-778, 2016.
G. Huang, Z. Liu, L. v. d. Maaten, and K. Q. Weinberger, "Densely Connected Convolutional Networks," In Conference on Computer Vision and Pattern Recognition, pp. 2261-2269, 2017.
Y. Zhang, K. Li, K. Li, L. Wang, B. Zhong, and Y. Fu, "Image Super-Resolution Using Very Deep Residual Channel Attention Networks," In European Conference on Computer Vision, pp. 286-301, 2018.
C. Dong, C. C. Loy, and X. Tang. "Accelerating the Super-Resolution Convolutional Neural Network," In European Conference on Computer Vision, pp. 391-407, 2016.
Y. Tai, J. Yang, and X. Liu. "Image Super-Resolution via Deep Recursive Residual Network," In Conference on Computer Vision and Pattern Recognition, pp. 3147-3155, 2017.
J. Kim, J. K. Lee, and K. M. Lee. "Deeply-Recursive Convolutional Network for Image Super-Resolution," In Conference on Computer Vision and Pattern Recognition, pp. 1637-1645, 2016.
C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens, and Z. Wojna, "Rethinking the Inception Architecture for Computer Vision," In Conference on Computer Vision and Pattern Recognition, pp. 2818-2826, 2016.
K. Simonyan and A. Zisserman. "Very deep convolutional networks for large-scale image recognition," In International Conference on Learning Representations, 2015.
W. Shi, J. Caballero, F. Huszar, J. Totz, A. P. Aitken, R. Bishop, D. Rueckert, and Z. Wang. "Real-time single image and video super-resolution using an efficient sub-pixel convolutional neural network," In Conference on Computer Vision and Pattern Recognition, pp. 1874-1883, 2016.
H. Zhao, O. Gallo, J. Frosio, J. Kautz, "Loss functions for image restoration with neural networks," In Transactions on Computational Imaging, pp. 47-57, 2017.
M. Bevilacqua, A. Roumy, C. Guillemot and M.-L. A. Morel, "Low-complexity single-image super-resolution based on nonnegative neighbor embedding," In Proceedings British Machine Vision Conference, 2012.
R. Zeyde, M. Elad, and M. Protter, "On single image scale-up using sparse-representations," In International conference on Curves and Surfaces, pages 711-730, 2012.
D. Martin, C. Fowlkes, D. Tal, and J. Malik, "A database of human segmented natural images and its application to evaluating segmentation algorithms and measuring ecological statistics," In International Conference on Computer Vision, 2001.
J.-B. Huang, A. Singh, and N. Ahuja. "Single Image Super-Resolution From Transformed Self-Exemplars," In Conference on Computer Vision and Pattern Recognition, pp. 5197-5206, 2015.

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