선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
제안 방법
- 본 논문의 구성은 다음과 같다. 2 절에서 제안하는 필터 설계 방법 및 적용방법을 설명 한 후 3 절에서 제안하는 필터와 기존 필터들의 성능을 실험을 통해서 확인한다. 마지막으로 4 절에서는 본 논문에 대한 결론을 맺는다.
- 이제 동일한 그룹에 속해있는 모든 패치는 유사한 라플라시안 특성을 가진다. 각 클러스터 별 고해상도와 저해상도 패치 쌍의 정보를 활용하여 고해상도에서 저해상도 패치를 합성해 내기 위한 필터를 계산한다. 최종적으로 우리는 소위 ‘ 사전’ 을 만들어 각 클러스터의 중심 패치와 함께 클러스터 별 학습필터를 저장한다.
- 본 논문에서는 패치 기반 2D FIR 필터를 만들어내기 위해 먼저, 충분한 수와 다양한 고해상도-저해상도 패치 쌍을 추출한다. 그리고 이 패치들은 유사한 고주파 패턴에 따라 그루핑을 하고, 각 그룹에 최적화 된 필터를 제작하는 방법을 제안한다.
- 임의의 고해상도 영상을 입력 받았을 때, 우리는 학습된 필터를 적용하기 위해 먼저 RGB 성분을 밝기성분으로 변환한다. 그리고, 밝기성분 패치를 학습과정과 동일한 라플라시안 연산자를 통해 특징점을 추출한다. 이제 추출된 라플라시안을 저장된 사전의 클러스터 중심 패치들과 비교하여 가장 유사한 클러스터를 검색하고, 저장된 필터를 적용시킨다.
- 우리의 실험에서는 10×10 크기의 고해상도 패치와 5×5 크기의 저해상도 패치 쌍 300 만개를 512 개의 클러스터로 나누어서 학습필터를 제작하였다. 모의실험을 위해 학습에 사용되지 않은 입력영상을 면적기준으로 4 배 낮은 해상도로 출력하였다. 주관적인 화질 평가를 위해 전형적인 화소랜더링 기법과 전형적인 부화소랜더링 기법, [4]의 기법과 함께 제안기법을 비교하였다.
- 본 논문에서는 패치 기반 2D FIR 필터를 만들어내기 위해 먼저, 충분한 수와 다양한 고해상도-저해상도 패치 쌍을 추출한다. 그리고 이 패치들은 유사한 고주파 패턴에 따라 그루핑을 하고, 각 그룹에 최적화 된 필터를 제작하는 방법을 제안한다.
- 본 논문은 기존의 부화소랜더링 기술에서 나타났던 흐림현상과 색조왜곡현상을 학습된 필터를 활용하여 지역적 패턴에 알맞게 적용함으로써 해결하였다. 우리는 향후 제안 필터 개수를 조절하여 최소한의 필터를 구성하는 최적화 연구와 함께 제안 필터가 PC 환경에서 실시간 처리가 가능하도록 최적화하는 연구를 진행 할 것이다.
- 추출된 패치들은 유사한 특성을 가지는 K 개의 그룹으로 그루핑한다. 우리는 K 개의 그루핑을 하기 위해 고해상도 패치에 라플라시안 연산자를 적용하여 특징점을 추출하였고, 추출된 특징점들을 전형적인 K-means clustering 알고리즘을 활용하여 K 개의 그룹으로 그루핑 하였다. 이제 동일한 그룹에 속해있는 모든 패치는 유사한 라플라시안 특성을 가진다.
- 학습기반 필터 설계는 다양한 콘텐츠 정보를 가지고 있는 영상 정보에서 지역적으로 최적의 필터가 선택 될 수 있도록 사전에 학습을 하는 방법으로 다양한 분야에서 활용되고 있다. 우리는 부화소기반 영상축소를 위한 학습필터를 만들기 위해 먼저 다양한 패턴과 충분한 수의 고해상도-저해상도 패치 쌍을 추출하였다. 추출된 패치들은 유사한 특성을 가지는 K 개의 그룹으로 그루핑한다.
- 그리고, 밝기성분 패치를 학습과정과 동일한 라플라시안 연산자를 통해 특징점을 추출한다. 이제 추출된 라플라시안을 저장된 사전의 클러스터 중심 패치들과 비교하여 가장 유사한 클러스터를 검색하고, 저장된 필터를 적용시킨다. 저장된 필터를 적용 시킬 때, 우리는 디스플레이의 RGB 성분의 물리적 위치를 고려하여 그림 2 와 같이 G 성분을 기준으로 R, B 성분은 1 픽셀씩 서로 다른 위상에 필터를 적용한다.
대상 데이터
- 우리의 실험에서는 10×10 크기의 고해상도 패치와 5×5 크기의 저해상도 패치 쌍 300 만개를 512 개의 클러스터로 나누어서 학습필터를 제작하였다.
이론/모형
- 모의실험을 위해 학습에 사용되지 않은 입력영상을 면적기준으로 4 배 낮은 해상도로 출력하였다. 주관적인 화질 평가를 위해 전형적인 화소랜더링 기법과 전형적인 부화소랜더링 기법, [4]의 기법과 함께 제안기법을 비교하였다. 그림 3 은 Kodak 에서 제공해주는 실험영상 [5]에 대한 결과를 보여준다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.