1 |
1
순환 신경망 네트워크를 이용한 점진적 비 제거 장치로서, 비 제거 대상이 되는 타겟 영상 및 상기 타겟 영상을 포함하여 생성되며 서로 다른 양의 비를 포함하는 n-1개의 참조 영상을 입력 받아 상기 타겟 영상 및 상기 n-1개의 참조 영상 각각의 로컬 특징값을 추출하는 n개의 인코딩 블록; 서로 인접한 인코딩 블록에서 출력하는 로컬 특징값들의 차이를 추출하는 n-1개의 차이 잔차 블록;상기 n개의 인코딩 블록 각각이 추출한 로컬 특징값 및 상기 n-1개의 차이 잔차 블록 각각이 추출한 상기 로컬 특징값들의 차이를 입력 받아 상기 타겟 영상 및 상기 n-1개 참조 영상 각각의 글로벌 특징값을 순차적으로 추출하는 n개의 멀티 확장 잔차 밀도 블록; 및상기 글로벌 특징값을 이용하여 상기 타겟 영상에서 비가 제거된 영상을 생성하는 디코딩 블록을 포함하는 점진적 비 제거 장치
|
2 |
2
제1항에 있어서, 상기 n개의 멀티 확장 잔차 밀도 블록 중, k번째(k는 1≤k≤n) 멀티 확장 잔차 밀도 블록에는 k번째 인코딩 블록에서 추출한 로컬 특징값, k-1번째 차이 잔차 블록에서 추출한 k-1번째 영상과 k번째 영상의 로컬 특징값들의 차이 및 k+1번째 멀티 확장 잔차 밀도 블록에서 추출하는 글로벌 특징값이 입력되는 점진적 비 제거 장치
|
3 |
3
제1항에 있어서, 상기 n개의 인코딩 블록 중 제1 인코딩 블록에 타겟 영상이 입력되며, 제2 내지 제n-1 인코딩 블록으로 갈수록 비의 양이 많은 참조 영상이 입력되는 점진적 비 제거 장치
|
4 |
4
제1항에 있어서, 상기 n-1개의 영상은 상기 타겟 영상을 포함하는 동영상을 이용하여 생성되며, k번째 영상보다 k+1번째 영상이 더 많은 수의 프레임을 중첩하여 생성되는 점진적 비 제거 장치
|
5 |
5
제1항에 있어서, 상기 n-1개의 영상은 상기 타겟 영상을 기준으로 좌우 인접한 m개의 프레임을 중첩하여 생성되는 점진적 비 제거 장치
|
6 |
6
제1항에 있어서, 상기 차이 잔차 블록은, 병합 모듈(concat), 복수의 Res블록 및 복수의 컨볼루션 레이어를 포함하는 점진적 비 제거 장치
|
7 |
7
제1항에 있어서, 상기 멀티 확장 잔차 밀도 블록은 복수의 확장 컨볼루션 레이어 및 복수의 레귤러 컨볼루션 레이어 및 복수의 1 × 1 컨볼루션 레이어를 포함하는 점진적 비 제거 장치
|
8 |
8
순환 신경망 네트워크를 이용한 점진적 비 제거 방법으로서, n개의 인코딩 블록이, 비 제거 대상이 되는 타겟 영상 및 상기 타겟 영상을 포함하여 생성되며 서로 다른 양의 비를 포함하는 n-1개의 참조 영상을 입력 받아 상기 타겟 영상 및 상기 n-1개의 참조 영상 각각의 로컬 특징값을 추출하는 단계; n-1개의 차이 잔차 블록이, 서로 인접한 인코딩 블록에서 출력하는 로컬 특징값들의 차이를 추출하는 단계;n개의 멀티 확장 잔차 블록이, 상기 n개의 인코딩 블록 각각이 추출한 로컬 특징값 및 상기 n-1개의 차이 잔차 블록 각각이 추출한 상기 로컬 특징값들의 차이를 입력 받아 상기 타겟 영상 및 상기 n-1개 참조 영상 각각의 글로벌 특징값을 순차적으로 추출하는 단계; 및디코딩 블록이, 상기 글로벌 특징값을 이용하여 상기 타겟 영상에서 비가 제거된 영상을 생성하는 단계를 포함하는 점진적 비 제거 방법
|