$\require{mediawiki-texvc}$

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.

딥러닝 기반 비디오 프레임 보간 기술 연구 동향 원문보기

방송과 미디어 = Broadcasting and media magazine, v.27 no.2, 2022년, pp.51 - 61  

허진강 (한국전자기술연구원) ,  윤기환 (한국전자기술연구원) ,  김성제 (한국전자기술연구원) ,  정진우 (한국전자기술연구원)

초록
AI-Helper 아이콘AI-Helper

비디오 프레임 보간 기술은 연속되어 있는 두 개의 프레임 사이의 중간 프레임을 생성하는 기술로 비디오의 프레임율을 늘리거나 슬로우 모션 영상을 생성 시 사용된다. 최근 딥러닝 기술의 발전에 따라 다양한 알고리즘의 비디오 프레임 보간 기술이 연구되고 있다. 본 고에서는 이러한 기알고리즘들을 커널 기반 방식과 플로우 기반 방식으로 분류하고, 각 범주에 속하는 대표적인 알고리즘들의 특징 및 한계점에 대해 살펴본다.

참고문헌 (21)

  1. Liu, Ziwei, et al. "Video frame synthesis using deep voxel flow." Proceedings of the IEEE International Conference on Computer Vision. 2017. 

  2. Niklaus, Simon, Long Mai, and Feng Liu. "Video frame interpolation via adaptive convolution." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017. 

  3. Niklaus, Simon, Long Mai, and Feng Liu. "Video frame interpolation via adaptive separable convolution." Proceedings of the IEEE International Conference on Computer Vision. 2017. 

  4. Niklaus, Simon, and Feng Liu. "Context-aware synthesis for video frame interpolation." Proceedings of the IEEE conference on computer vision and pattern recognition. 2018. 

  5. Jiang, Huaizu, et al. "Super slomo: High quality estimation of multiple intermediate frames for video interpolation." Proceedings of the IEEE conference on computer vision and pattern recognition. 2018. 

  6. Meyer, Simone, et al. "Phasenet for video frame interpolation." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018. 

  7. Bao, Wenbo, et al. "Depth-aware video frame interpolation." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019. 

  8. Niklaus, Simon, and Feng Liu. "Softmax splatting for video frame interpolation." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020. 

  9. Lee, Hyeongmin, et al. "Adacof: Adaptive collaboration of flows for video frame interpolation." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020. 

  10. Choi, Myungsub, et al. "Channel attention is all you need for video frame interpolation." Proceedings of the AAAI Conference on Artificial Intelligence. Vol. 34. No. 07. 2020. 

  11. Cheng, Xianhang, and Zhenzhong Chen. "Video frame interpolation via deformable separable convolution." Proceedings of the AAAI Conference on Artificial Intelligence. Vol. 34. No. 07. 2020. 

  12. Huang, Zhewei, et al. "Rife: Real-time intermediate flow estimation for video frame interpolation." arXiv preprint arXiv:2011.06294 (2020). 

  13. Ding, Tianyu, et al. "Cdfi: Compression-driven network design for frame interpolation." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021. 

  14. BT.2020-2 (10/2015) : Parameter values for ultra-high definition television systems for production and international programme exchange 

  15. Dosovitskiy, Alexey, et al. "Flownet: Learning optical flow with convolutional networks." Proceedings of the IEEE international conference on computer vision. 2015. 

  16. https://www.svp-team.com/ 

  17. https://topten.ai/convert-videos-to-60-fps-with-ai-interpolation/ 

  18. Sun, Deqing, et al. "Pwc-net: Cnns for optical flow using pyramid, warping, and cost volume." Proceedings of the IEEE conference on computer vision and pattern recognition. 2018. 

  19. Teed, Zachary, and Jia Deng. "Raft: Recurrent all-pairs field transforms for optical flow." European conference on computer vision. Springer, Cham, 2020. 

  20. O. Ronneberger, P. Fischer, and T. Brox. U-net: Convolutional networks for biomedical image segmentation. In MIC-CAI, 2015. 

  21. Bao, Wenbo, et al. "Memc-net: Motion estimation and motion compensation driven neural network for video interpolation and enhancement." IEEE transactions on pattern analysis and machine intelligence 43.3 (2019): 933-948. 

관련 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