최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기방송공학회논문지 = Journal of broadcast engineering, v.25 no.2, 2020년, pp.242 - 251
김인구 (한양대학교 전자컴퓨터통신공학과) , 유송현 (한양대학교 전자컴퓨터통신공학과) , 정제창 (한양대학교 전자컴퓨터통신공학과)
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 s...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
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. |
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.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.