$\require{mediawiki-texvc}$

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.

생성적 적대 신경망을 활용한 부분 위변조 이미지 생성에 관한 연구
A Study on Image Creation and Modification Techniques Using Generative Adversarial Neural Networks 원문보기

한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.17 no.2, 2022년, pp.291 - 298  

송성헌 (동서대학교 소프트웨어학과) ,  최봉준 (동서대학교 소프트웨어융합대학) ,  문미경 (동서대학교 소프트웨어학과)

초록
AI-Helper 아이콘AI-Helper

생성적 적대 신경망(Generative Adversarial Networks, GAN)은 내부의 두 신경망(생성망, 판별망)이 상호 경쟁하면서 학습하는 네트워크이다. 생성자는 현실과 가까운 이미지를 만들고, 구분자는 생성자의 이미지를 더 잘 감별하도록 프로그래밍 되어있다. 이 기술은 전체 이미지 X를 다른 이미지 Y로 생성, 변환 및 복원하기 위해 다양하게 활용되고 있다. 본 논문에서는 원본 이미지에서 부분 이미지만 추출한 후, 이를 자연스럽게 다른 객체로 위변조할 수 있는 방법에 관해 기술한다. 먼저 원본 이미지에서 부분 이미지만 추출한 후, 기존에 학습시켜놓은 DCGAN 모델을 통해 새로운 이미지를 생성하고, 이를 전체적 스타일 전이(overall style transfer) 기술을 사용하여 원본 이미지의 질감과 크기에 어울리도록 리스타일링(re-styling) 한 후, 원본 이미지에 자연스럽게 결합하는 과정을 거친다. 본 연구를 통해 원본 이미지의 특정 부분에 사용자가 원하는 객체 이미지를 자연스럽게 추가/변형할 수 있음으로써 가짜 이미지 생성의 또 다른 활용 분야로 사용될 수 있을 것이다.

Abstract ▼ AI-Helper 아이콘AI-Helper

A generative adversarial network (GAN) is a network in which two internal neural networks (generative network and discriminant network) learn while competing with each other. The generator creates an image close to reality, and the delimiter is programmed to better discriminate the image of the cons...

주제어

#생성적 적대 신경망   #머신 러닝   #비 지도 학습   #이미지   #컴퓨터 비전  

표/그림 (5)

참고문헌 (18)

  1. I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, A. Ozair, S., Courville, and Y. Bengio, "Generative adversarial nets," Report, 2014. 

  2. Y. Jeong and G. Choi, "Efficient iris recognition using deep-learning convolution neural network(CNN)," J. of the Korea Institute of Electronic Communication Sciences, vol. 15, no. 3, 2020, pp. 521-526. 

    원문보기 상세보기 crossref

  3. J. Yoo, "A Design of Small Scale Deep CNN Model for Facial Expression Recognition using the Low Resolution Image Datasets," J. of the Korea Institute of Electronic Communication Sciences, vol. 16, no. 1, 2021, pp. 75-80. 

    원문보기 상세보기 crossref

  4. C. Donahue, J. Macauley, and M. Puckette. "Adversarial audio synthesis," Report, 2018. 

  5. S. Huang, Q. Li, C. Anil, X. Bao, S. Oore, and R. Grosse, "Timbretron: A wavenet (cyclegan (cqt (audio))) pipeline for musical timbre transfer," Report, 2018. 

  6. R. Tolosana, R. Vera-Rodriguez, J. Fierrez, A. Morales, and J. Ortega-Garcia, "Deepfakes and beyond: A survey of face manipulation and fake detection," Information Fusion, vol. 64, 2020, pp. 131-148. 

    상세보기 crossref

  7. A. Radford, L. Metz, and S. Chintala. "Unsupervised representation learning with deep convolutional generative adversarial networks," Report, 2015. 

  8. P. Isola, J. Zhu, T. Zhou, and A. A. Efros, "Image-to-Image Translation with Conditional Adversarial Networks," In Proc. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, Hawaii, June 2017, pp. 5967-5976. 

  9. T. Park, M. Liu, T. Wang, and J. Zhu, "Semantic image synthesis with spatially-adaptive normalization," In Proc. of the IEEE/CVF conference on computer vision and pattern recognition, Long Beach USA. June 2019, pp. 2337-2346. 

  10. W. Sun and T. Wu. "Image synthesis from reconfigurable layout and style," In Proc. of the IEEE/CVF International Conference on Computer Vision, Seoul, Korea, Oct. 2019. 

  11. J. Y. Zhu, T. Park, P. Isola, and A. Efros, "Unpaired image-to-image translation using cycle-consistent adversarial networks," In Proc. of the IEEE international conference on computer vision, Venice Italy, Oct. 2017, pp. 2223-2232. 

  12. Y. Choi, M. Choi, M. Kim, J. Ha, S. Kim, and J. Choo, "Stargan: Unified generative adversarial networks for multi-domain image-to-image translation," In Proc. of the IEEE conference on computer vision and pattern recognition, Salt Lake City, USA, June 2018, pp. 8789-8797. 

  13. T. Karras, S. Laine, and T. Aila. "A style-based generator architecture for generative adversarial networks," In Proc. of the IEEE/CVF conference on computer vision and pattern recognition, Long Beach USA. June 2019, pp. 4401-4410. 

  14. L. A. Gatys, A. S. Ecker, and M. Bethge. "Image style transfer using convolutional neural networks," In Proc. of the IEEE conference on computer vision and pattern recognition, Las Vegas, USA, June 2016, pp.2414-2423. 

  15. Bau, D., J. Zhu, H. Strobelt, B. Zhou, J. Tenenbaum, W. T. Freeman, and A. Torralba, "Gan dissection: Visualizing and understanding generative adversarial networks," Report, 2018. 

  16. K. Nazeri, E. Ng, T. Joseph, F. Z. Qureshi, and M. Ebrahimi, "Edgeconnect: Generative image inpainting with adversarial edge learning," Report, 2019. 

  17. A. Telea. "An image inpainting technique based on the fast marching method," Journal of graphics tools, vol. 9, no. 1, 2004, pp. 23-34. 

    상세보기 crossref

  18. M. Bertalmio, G. Sapiro, V. Caselles, and C. Ballester, "Image inpainting," In Proc. of the 27th annual conference on Computer graphics and interactive techniques, New Orleans, USA, July 2000, pp.417-424. 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

FREE

Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문

이 논문과 함께 이용한 콘텐츠

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