$\require{mediawiki-texvc}$

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.

불균일 안개 영상 합성을 이용한 딥러닝 기반 안개 영상 깊이 추정
Non-Homogeneous Haze Synthesis for Hazy Image Depth Estimation Using Deep Learning 원문보기

컴퓨터그래픽스학회논문지 = Journal of the Korea Computer Graphics Society, v.28 no.3, 2022년, pp.45 - 54  

최영철 (포스코ICT) ,  백지현 (포스코ICT) ,  주광진 (포항공과대학교) ,  이동건 (포항공과대학교) ,  황경하 (영남대학교) ,  이승용 (포항공과대학교)

초록
AI-Helper 아이콘AI-Helper

영상의 깊이 추정은 다양한 영상 분석의 기반이 되는 기술이다. 딥러닝 모델을 활용한 분석 방법이 대두되면서, 영상의 깊이 추정 분야 또한 딥러닝을 활용하는 연구가 활발하게 이루어지고 있다. 현재 대부분의 딥러닝 영상 깊이 추정 모델들은 깨끗하고 이상적인 환경에서 학습되고 있다. 하지만 연무, 안개가 낀 열악한 환경에서도 깊이 추정 기술이 잘 동작할 수 있으려면 이러한 환경의 데이터를 포함하여야 한다. 하지만 열악한 환경의 영상을 충분히 확보하는 것이 어려운 실정이며, 불균일한 안개 데이터를 얻는 것은 특히 어려운 문제이다. 이를 해결하기 위해, 본 연구에서는 불균일 안개 영상 합성 방법과 이를 활용한 단안 기반의 깊이 추정 딥러닝 모델의 학습을 제안한다. 안개가 주로 실외에서 발생하는 것을 고려하여, 실외 위주의 데이터 세트를 구축한다. 그리고 실험을 통해 제안된 방법으로 학습된 모델이 합성 데이터와 실제 데이터에서 깊이를 잘 추정하는 것을 보인다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Image depth estimation is a technology that is the basis of various image analysis. As analysis methods using deep learning models emerge, studies using deep learning in image depth estimation are being actively conducted. Currently, most deep learning-based depth estimation models are being trained...

주제어

#깊이 추정   #불균일 안개   #안개 합성   #딥러닝  

참고문헌 (24)

  1. Lee, Jonghyeop, et al., "Slow Sync Image Synthesis from Short Exposure Flash Smartphone Images," Journal of the Korea Computer Graphics Society, 27.3, 1-11, 2021. 

  2. Ancuti, Codruta O., Cosmin Ancuti, and Radu Timofte., "NH-HAZE: An image dehazing benchmark with non-homogeneous hazy and haze-free images," Proceedings of the IEEE/CVF conference on computer vision and pattern recognition workshops, 2020. 

  3. Miangoleh, S.M.H., et al., "Boosting Monocular Depth Estimation Models to High-Resolution via Content-Adaptive MultiResolution Merging," In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 9685-9694, 2021. 

  4. Yin, W., et al., "Learning to recover 3d scene shape from a single image," In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 204-213, 2021. 

  5. Narasimhan, S.G., Nayar, S.K., "Vision and the atmosphere," International journal of computer vision, 48(3), pp. 233-254, 2002. 

    crossref

  6. Ancuti, C., Ancuti, C.O., De Vleeschouwer, C., "D-hazy: A dataset to evaluate quantitatively dehazing algorithms," In: 2016 IEEE international conference on image processing (ICIP), pp. 2226-2230, 2016. 

  7. Li, B., et al., "Benchmarking single-image dehazing and beyond," IEEE Transactions on Image Processing, 28(1), pp. 492-505, 2018. 

    상세보기 crossref

  8. He, K., Sun, J., Tang, X., "Single image haze removal using dark channel prior," IEEE transactions on pattern analysis and machine intelligence, 33(12), pp. 2341-2353, 2010. 

    상세보기 crossref

  9. Ancuti, Codruta O., et al., "O-haze: a dehazing benchmark with real hazy and haze-free outdoor images," Proceedings of the IEEE conference on computer vision and pattern recognition workshops, 2018. 

  10. Saxena, Ashutosh, Sung Chung, and Andrew Ng., "Learning depth from single monocular images," Advances in neural information processing systems, 18, 2005. 

  11. Saxena, Ashutosh, Min Sun, and Andrew Y. Ng., "Make3d: Learning 3d scene structure from a single still image," IEEE transactions on pattern analysis and machine intelligence, 31.5, 824-840, 2008. 

    상세보기 crossref

  12. Narasimhan, S.G., Nayar, S.K., "Chromatic framework for vision in bad weather," In: Proceedings IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2000 (Cat. No. PR00662), pp. 598-605, 2000. 

  13. FATTAL, R., "Single image dehazing," ACM Transactions on Graphics, vol. 27., 2008. 

    상세보기

  14. Tankovich, V., et al., "Hitnet: Hierarchical iterative tile refinement network for real-time stereo matching," In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 14362-14372, 2021. 

  15. Shamsafar, F., et al., "MobileStereoNet: Towards Lightweight Deep Networks for Stereo Matching," In: Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision, pp. 2417-2426, 2022. 

  16. Khamis, S., et al., "Stereonet: Guided hierarchical refinement for real-time edge-aware depth prediction," In: Proceedings of the European Conference on Computer Vision (ECCV), pp. 573-590, 2018. 

  17. Lee, Jonghyeop, et al., "SINGLE PANORAMA DEPTH ESTIMATION USING DOMAIN ADAPTATION," Journal of the Korea Computer Graphics Society, 26.3, 61-68, 2020. 

    원문보기 상세보기 crossref

  18. Song, M., Lim, S., Kim, W., "Monocular Depth Estimation Using Laplacian Pyramid-Based Depth Residuals," IEEE Transactions on Circuits and Systems for Video Technology, 2021. 

  19. PNVR, K., Zhou, H., Jacobs, D., "Sharingan: Combining synthetic and real data for unsupervised geometry estimation," In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 13974-13983, 2020. 

  20. Ranftl, R., Bochkovskiy, A., Koltun, V., "Vision transformers for dense prediction," In: Proceedings of the IEEE/CVF International Conference on Computer Vision, pp. 12179-12188, 2021. 

  21. Godard, C., et al., "Digging into self-supervised monocular depth estimation," In: Proceedings of the IEEE/CVF International Conference on Computer Vision, pp. 3828-3838, 2019. 

  22. Li, Boyi, et al., "Benchmarking single-image dehazing and beyond," IEEE Transactions on Image Processing, 28.1, 492-505, 2018. 

    상세보기 crossref

  23. Liu, Chunxiao, et al., "Non-homogeneous haze data synthesis based real-world image dehazing with enhancement-and-restoration fused CNNs," Computers & Graphics, 2022. 

  24. Geiger, Andreas, et al., "Vision meets robotics: The kitti dataset," The International Journal of Robotics Research, 32.11, 1231-1237, 2013. 

    상세보기 crossref

저자의 다른 논문 :

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