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
- 첫 번째와 마지막 레이어를 제외한 나머지 레이어는 dilated conv +배치 정규화 + ReLU로 이루어진 convblock을 사용 하였다. 7개의 dilated conv 레이어의 dilated factor는 첫 번째 레이어부터 마지막 레이어 순서대로 1, 2, 3, 4, 3, 2, 1로 설정하였고. 모든 레이어의 피쳐맵 개수는 64로 고정하였다.
- IRCNN과의 결과 비교를 위해 IRCNN에서와 같이 가우시안 블러 커널, Levin et al.[8]에서 사용한 블러 커널 두 가지로 총 세 가지의 블러 커널을 이용하여 Set3의 블러 처리된 이미지를 만들었다. 세 가지의 블러 커널을 그림 2에 시각화하였다.
- 본 논문에서는 변수 분리 기법 중 하나인 ADMM을 사용하였고, 이미지 prior를 직접 설계하는 대신 외부 데이터를 이용하여 학습시킨 잡음 제거기에 기반하여 영상 디블러링을 수행하였다. HQS보다 보조 변수를 하나 더 사용하는 ADMM을 사용하여 IRCNN보다 평균적으로 더 좋은 디블러링 결과을 보였다.
- 본 실험 에서는 잡음 레벨을 σ=2:2:50 으로 한 총 25가지의 잡음 제거기를 BSDS500 데이터셋[7]을 이용하여 학습시켰고, 잡음 레벨 σ를 50부터 2까지 2씩 감소시켜 총 25번의 iteration을 ADMM 내에서 반복하였다.
- 사용한 잡음 제거기는 총 7개의 3×3 dilated conv 레이어로 구성 되고, 이 중 첫 번째 dilated conv 레이어는 dilated conv + ReLU로, 마지막 dilated conv 레이어는 뒤에 아무것도 추가하지 않은 dilated conv를 사용하였다.
- 복잡한 이미지 prior를 대신하기 위해 본 논문에서 사용한 깊은 합성곱 신경망 잡음 제거기의 구조는 IRCNN과 같은 구조를 사용하였다. 일반적인 conv 레이어 대신 dilated conv 레이어[4]를 사용함으로써 효과적으로 receptive field를 확대하였고, 학습 속도를 빠르게 하기 위해 배치 정규화(batch normalization)[5]와 잔차 학습(residual learning)[6]을 도입하였다.
대상 데이터
- 성능 평가에는 영상 디블러링 뿐만 아니라 다양한 이미지 복원 (image restoration) 분야에서 쓰이는 데이터셋인 Set3의 이미지들을 사용하였다. IRCNN과의 결과 비교를 위해 IRCNN에서와 같이 가우시안 블러 커널, Levin et al.
데이터처리
- 세 가지의 블러 커널을 그림 2에 시각화하였다. 정량적으로 성능을 평가하기 위해 PSNR을 측정하여 비교하였고, 디블러링을 수행한 실험 결과는 표 1에 정리하였다.
- 본 논문에서는 HQS 대신 다른 변수 분리 기법 중 하나인 ADMM (Alternating Direction Method of Multipliers)을 사용하여 논블라인드 영상 디블러링을 수행하였다. 제안된 방법의 성능을 평가하기 위하여, 이미지 디블러링에서 널리 쓰이는 데이터셋인 Set3에 대해 실험한 결과를 비교하였다.
이론/모형
- 관측된 블러 이미지 y에서 원본 이미지 x를 추정하는 것은 ill-posed 문제이므로, 이미지 디블러링은 일반적으로 어려운 문제이다. 따라서 모델 기반 최적화 방법(model-based optimization method)은 블러 커널이 주어지는 경우인 논블라인드 이미지 디블러링 (non-blind image deblurring)을 해결하기 위해 아래 수식과 같이 사후 확률 최대화 기법(MAP, Maximum a posteriori)을 이용한다.
- 복잡한 이미지 prior를 대신하기 위해 본 논문에서 사용한 깊은 합성곱 신경망 잡음 제거기의 구조는 IRCNN과 같은 구조를 사용하였다. 일반적인 conv 레이어 대신 dilated conv 레이어[4]를 사용함으로써 효과적으로 receptive field를 확대하였고, 학습 속도를 빠르게 하기 위해 배치 정규화(batch normalization)[5]와 잔차 학습(residual learning)[6]을 도입하였다.
- 본 논문에서는 HQS 대신 다른 변수 분리 기법 중 하나인 ADMM (Alternating Direction Method of Multipliers)을 사용하여 논블라인드 영상 디블러링을 수행하였다. 제안된 방법의 성능을 평가하기 위하여, 이미지 디블러링에서 널리 쓰이는 데이터셋인 Set3에 대해 실험한 결과를 비교하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.