$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

임의배율 초해상도를 위한 하이브리드 도메인 고주파 집중 네트워크
Hybrid-Domain High-Frequency Attention Network for Arbitrary Magnification Super-Resolution 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.25 no.11, 2021년, pp.1477 - 1485  

윤준석 (Department of AI Convergence, Chonnam National University) ,  이성진 (Department of AI Convergence, Chonnam National University) ,  유석봉 (Department of AI Convergence, Chonnam National University) ,  한승회 (School of Mechanical Engineering, Chonnam National University)

초록
AI-Helper 아이콘AI-Helper

최근 이미지 초해상도는 정수배율만 가능한 모델에만 집중적으로 연구되고 있다. 하지만 관심 객체 인식, 디스플레이 화질 개선 등 실제 초해상도 기술의 대표 적용 분야에서는 소수 배율을 포함하는 임의배율 확대 필요성이 대두되고 있다. 본 논문에서는 기존 정수배율 모델의 가중치를 활용하여 임의배율을 실행할 수 있는 모델을 제안한다. 이 모델은 정수배율에 의해 우수한 성능을 가진 초해상도 결과를 DCT 스펙트럼 도메인으로 변환하여 임의배율을 위한 공간을 확장한다. DCT 스펙트럼 도메인에 의한 확장으로 인해 발생하는 이미지의 고주파 정보 손실 문제를 줄이기 위해 고주파 스펙트럼 정보를 적절히 복원할 수 있는 모델인 고주파 집중 네트워크를 제안한다. 제안된 네트워크는 고주파 정보를 제대로 생성하기 위해서 RGB 채널간의 상관관계를 학습하는 레이어인 channel attention을 활용하고, 잔차 학습 구조를 통해 모델을 깊게 만들어 성능을 향상시켰다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Recently, super-resolution has been intensively studied only on upscaling models with integer magnification. However, the need to expand arbitrary magnification is emerging in representative application fields of actual super-resolution, such as object recognition and display image quality improveme...

주제어

#이미지 초해상도   #임의배율   #고주파 집중   #스펙트럼 도메인  

표/그림 (5)

참고문헌 (23)

  1. S. J. Lee, T. J. Kim, C. H. Lee, and S. B. Yoo, "Image super-resolution for improving object recognition accuracy," in Journal of the Korea Institute of Information and Communication Engineering, vol. 25, no. 6, pp. 774-784, Jun. 2021. 

    원문보기 상세보기 crossref

  2. C. Dong, C. C. Loy, K. He, and X. Tang, "Image super-resolution using deep convolutional networks," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 38, no. 2, pp. 295-307, Feb. 2016. 

    상세보기 crossref

  3. J. W. Kim, J. K. Lee, and K. M. Lee, "Accurate image super-resolution using very deep convolutional networks," in Proceeding of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 1646-1654, 2016. 

  4. 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 Proceeding of the European Conference on Computer Vision, pp. 1874-1883, Sep. 2016. 

  5. M. Haris, G. Shakhnarovich, and N. Ukita, "Deep back-projection networks for super-resolution," in Proceeding of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 1664-1673, Mar. 2018. 

  6. Y. Zhang, K. Li, K. Li, L. Wang, B. Zhong, and Y. Fu, "Image super-resolution using very deep residual channel attention networks," in Proceeding of the European Conference on Computer Vision, pp. 286-301, Mar. 2018. 

  7. Y. Guo, J. Chen, J. Wang, Q. Chen, J. Cao, Z. Deng, Y. Xu, and M. Tan, "Closed-loop matters: Dual regression networks for single image super-resolution," in Proceeding of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 5407-5416, May. 2020. 

  8. Y. Zhang, Y. Tian, Y. Kong, B. Zhong, and Y. Fu, "Residual dense network for image super-resolution," in Proceeding of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 2472-2481, Mar. 2018. 

  9. T. Dai, J. Cai, Y. Zhang, S. T. Xia, and L. Zhang, "Second-order attention network for single image super-resolution," in Proceeding of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 11065-11074, 2019. 

  10. C. Ledig, L. Theis, F. Huszar, J. Caballero, A. Cunningham, A. Acosta, A. Aitken, A. Tejani, J. Totz, and Z. Wang, "Photo-realistic single image super-resolution using a generative adversarial network," in Proceeding of the European Conference on Computer Vision, pp. 4681-4690, 2017. 

  11. A. Lugmayr, M. Danelljan, L. V. Gool, and R. Timofte, "Srflow: Learning the super-resolution space with normalizing flow," in Proceeding of the European Conference on Computer Vision, pp. 715-732, 2020. 

  12. Y. H. Jo, S. J. Yang, and S. J. Kim, "Srflow-da: Super-resolution using normalizing flow with deep convolutional block," in Proceeding of the European Conference on Computer Vision Workshops, pp. 364-372, June. 2021. 

  13. Y. G. Kim and D. H. Son, "Noise conditional flow model for learning the super-resolution," in Proceeding of the European Conference on Computer Vision Workshops, pp. 424-432, June. 2021. 

  14. 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 Proceeding of the European Conference on Computer Vision, pp. 1874-1883, 2016. 

  15. X. Hu, H. Mu, X. Zhang, Z. Wang, T. Tan, and J. Sun, "Meta-SR: A magnification-arbitrary network for super-resolution," in Proceeding of the European Conference on Computer Vision, pp. 1575-1584, 2019. 

  16. S. H. Son and K. M. Lee, "SRWarp: Generalized image super-resolution under arbitrary transformation," in Proceeding of the European Conference on Computer Vision, pp. 7782-7791, June. 2021. 

  17. N. Kumar, R. Verma, and A. Sethi, "Convolutional neural networks for wavelet domain super resolution," in Pattern Recognition Letters, vol. 90, pp. 65-71, 2017. 

    상세보기 crossref

  18. J. Li, S. You, and A. Robles-Kelly, "A frequency domain neural network for fast image super-resolution," in International Joint Conference on Neural Networks, pp. 1-8, 2018. 

  19. S. Xue, W. Qiu, F. Liu, and X. Jin, "Faster image super-resolution by improved frequency-domain neural networks," Signal, Image and Video Processing, vol. 14, no. 2, pp. 257-265, 2020. 

    상세보기 crossref

  20. O. Aydin and R. G. Cinbis, "Single-image super-resolution analysis in DCT spectral domain," in Balkan Journal of Electrical & Computer Engineering, vol. 8, no. 3, pp. 209-217, 2020. 

  21. Z. Liu, P. Luo, X. Wang, and X. Tang, "Large-scale CelebFaces Attributes (CelebA) Dataset," in Retrieved August, vol. 2018.15, no. 11, 2018. 

  22. R. Timofte, E. Agustsson, L. Van Gool, M.-H. Yang, L. Zhang, B. Lim, S. Son, H. Kim, S. Nah, and K. M. Lee, "NTIRE 2017 challenge on single image super-resolution: Methods and results," in Proceeding of the European Conference on Computer Vision Workshops, July. 2017. 

  23. 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, pp. 416-423, 2001. 

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로