| 1 |
1
웨이블릿의 저역 필터, 고역 필터 사이에 CNN 구조가 포함된 변환 과정을 입력 영상이 통과하여 복수의 공간-스펙트럴 서브밴드 영상을 생성하는 영상 변환부; 완전 연결 레이어(Fully connected layer)를 통해 블록 압축 센싱 방식으로 압축 샘플링을 수행하는 압출 샘플링부; 복수의 공간-스펙트럴 서브밴드 영상에서 블록 압축 측정값을 생성하는 블록 압축 측정부; 복수의 공간-스펙트럴 서브밴드 영상에 대한 블록 압축 측정값을 이용하여 완전 연결 레이어(Fully connected layer)를 통해 초기 복원과정을 거쳐 초기 복원 공간-스펙트럴 서브밴드를 생성하는 초기 복원부; 모래시계 형태의 심층 복원과정을 통해 채널 수를 팽창, 압축하면서 정제된 심층 복원 공간-스펙트럴 서브밴드를 생성하는 심층 복원부; 및 학습 가능한 공간-스펙트럴 변환의 역변환을 통해 심층 복원 공간-스펙트럴 서브밴드를 영상의 형태로 최종 복원하는 영상 역변환부 를 포함하는 딥러닝 영상 압축 및 복원 시스템
|
| 2 |
2
제1항에 있어서, 영상 변환부는, 연속된 주파수 도메인 정보인 스펙트럴 정보와 공간적 정보를 동시에 활용하기 위해 웨이블릿의 저역 필터, 고역 필터 사이에 CNN 구조가 포함된 학습 가능한 변환 과정에 입력 영상을 통과시키는 딥러닝 영상 압축 및 복원 시스템
|
| 3 |
3
제2항에 있어서, 웨이블릿의 저역 필터, 고역 필터를 통해 주파수 도메인의 스펙트럴 정보를 갖고, 중간 단계의 CNN 층을 통해 공간적 정보를 갖는 복수의 공간-스펙트럴 서브밴드 영상을 생성하는 딥러닝 영상 압축 및 복원 시스템
|
| 4 |
4
제2항에 있어서, CNN 구조는 채널수만큼의 공간-스펙트럴 특징맵을 추출한 뒤 비선형 맵핑을 반복한 후 채널 축소 레이어를 통해 서브밴드 형태로 돌아가는 딥러닝 영상 압축 및 복원 시스템
|
| 5 |
5
제1항에 있어서, 초기 복원부는, 심층 복원 이전에 복수의 공간-스펙트럴 서브밴드 블록들을 집합시켜 전체 서브밴드의 형태인 초기 복원 공간-스펙트럴 서브밴드를 생성하는 딥러닝 영상 압축 및 복원 시스템
|
| 6 |
6
제1항에 있어서, 심층 복원부는, 심층 복원과정에서 모래시계 형태의 CNN 구조가 집합된 모든 초기 복원 공간-스펙트럴 서브밴드 블록들을 통과시켜 경계면의 블록 앨리어싱을 제거하는 동시에 압축 영상 복원을 수행하는딥러닝 영상 압축 및 복원 시스템
|
| 7 |
7
제1항에 있어서, 샘플링 행렬을 모르는 상황에서도 전체 구조 중에서 초기 복원과정, 심층 복원과정을 학습시켜 문제 해결이 가능하며, 심층 복원과정에서 공간-스펙트럴 서브밴드가 모래시계 형태의 CNN 구조를 통과하여 주파수 정보와 구조적 정보가 정제되며, 모래시계 형태의 CNN 구조는 특징맵의 채널수를 대칭적으로 확장, 수축시키면서 심층 복원을 수행하는 딥러닝 영상 압축 및 복원 시스템
|
| 8 |
8
웨이블릿(Wavelet)의 저역 필터, 고역 필터 사이에 CNN 구조가 포함된 변환 과정을 입력 영상이 통과하여 복수의 공간-스펙트럴 서브밴드 영상을 생성하는 단계; 및 완전 연결 레이어(Fully connected layer)를 통해 블록 압축 센싱 방식으로 압축 샘플링을 거쳐 복수의 공간-스펙트럴 서브밴드 영상에서 블록 압축 측정값을 생성하는 단계를 포함하는 딥러닝 영상 압축 방법
|
| 9 |
9
제8항에 있어서, 웨이블릿의 저역 필터, 고역 필터 사이에 CNN 구조가 포함된 변환 과정을 입력 영상이 통과하여 복수의 공간-스펙트럴 서브밴드 영상을 생성하는 단계는, 연속된 주파수 도메인 정보인 스펙트럴 정보와 공간적 정보를 동시에 활용하기 위해 웨이블릿의 저역 필터, 고역 필터 사이에 CNN 구조가 포함된 학습 가능한 변환 과정에 입력 영상을 통과시키는 딥러닝 영상 압축 방법
|
| 10 |
10
제9항에 있어서, 웨이블릿의 저역 필터, 고역 필터를 통해 주파수 도메인의 스펙트럴 정보를 갖고, 중간 단계의 CNN 층을 통해 공간적 정보를 갖는 복수의 공간-스펙트럴 서브밴드 영상을 생성하는 딥러닝 영상 압축 방법
|
| 11 |
11
제9항에 있어서, CNN 구조는 채널수만큼의 공간-스펙트럴 특징맵을 추출한 뒤 비선형 맵핑을 반복한 후 채널 축소 레이어를 통해 서브밴드 형태로 돌아가는 딥러닝 영상 압축 방법
|
| 12 |
12
웨이블릿의 저역 필터, 고역 필터를 통해 주파수 도메인의 스펙트럴 정보를 갖고, 중간 단계의 CNN 층을 통해 공간적 정보를 갖는 복수의 공간-스펙트럴 서브밴드 영상에 대한 블록 압축 측정값을 이용하여 완전 연결 레이어(Fully connected layer)를 통해 초기 복원과정을 거쳐 초기 복원 공간-스펙트럴 서브밴드를 생성하는 단계; 모래시계 형태의 심층 복원과정을 통해 채널 수를 팽창, 압축하면서 정제된 심층 복원 공간-스펙트럴 서브밴드를 생성하는 단계; 및 학습 가능한 공간-스펙트럴 변환의 역변환을 통해 심층 복원 공간-스펙트럴 서브밴드를 영상의 형태로 최종 복원하는 단계 를 포함하는 딥러닝 영상 복원 방법
|
| 13 |
13
제12항에 있어서, 웨이블릿의 저역 필터, 고역 필터를 통해 주파수 도메인의 스펙트럴 정보를 갖고, 중간 단계의 CNN 층을 통해 공간적 정보를 갖는 복수의 공간-스펙트럴 서브밴드 영상에 대한 블록 압축 측정값을 이용하여 완전 연결 레이어를 통해 초기 복원과정을 거쳐 초기 복원 공간-스펙트럴 서브밴드를 생성하는 단계는, 심층 복원 이전에 복수의 공간-스펙트럴 서브밴드 블록들을 집합시켜 전체 서브밴드의 형태인 초기 복원 공간-스펙트럴 서브밴드를 생성하는 딥러닝 영상 복원 방법
|
| 14 |
14
제12항에 있어서, 모래시계 형태의 심층 복원과정을 통해 채널 수를 팽창, 압축하면서 정제된 심층 복원 공간-스펙트럴 서브밴드를 생성하는 단계는, 심층 복원과정에서 모래시계 형태의 CNN 구조가 집합된 모든 초기 복원 공간-스펙트럴 서브밴드 블록들을 통과시켜 경계면의 블록 앨리어싱을 제거하는 동시에 압축 영상 복원을 수행하는 딥러닝 영상 복원 방법
|
| 15 |
15
제12항에 있어서, 샘플링 행렬을 모르는 상황에서도 전체 구조 중에서 초기 복원과정, 심층 복원과정을 학습시켜 문제 해결이 가능하며, 심층 복원과정에서 공간-스펙트럴 서브밴드가 모래시계 형태의 CNN 구조를 통과하여 주파수 정보와 구조적 정보가 정제되며, 모래시계 형태의 CNN 구조는 특징맵의 채널수를 대칭적으로 확장, 수축시키면서 심층 복원을 수행하는 딥러닝 영상 복원 방법
|
