| 1 |
1
학습 모델에 기초한 저해상도 이미지의 해상도 개선 방법으로서,프로세서가 입력부를 통해 저해상도 이미지를 입력받는 단계;상기 프로세서가 상기 저해상도 이미지로부터 공유 잠재 공간을 형성하는 단계; 상기 프로세서가 상기 공유 잠재 공간으로부터 잠재 변수를 추출하는 단계; 및상기 프로세서가 상기 저해상도 이미지와 상기 잠재 변수에 기초하여 고해상도 이미지를 생성하는 단계를 포함하되,상기 학습 모델은 학습용 고해상도 이미지로부터 형성된 고해상도 잠재 공간과, 학습용 저해상도 이미지로부터 형성된 공유 잠재 공간을 매칭시키는 학습 과정을 통해 생성된 것임을 특징으로 하는, 저해상도 이미지의 해상도 개선 방법
|
| 2 |
2
제 1항에 있어서,상기 고해상도 이미지를 생성하는 단계는상기 잠재 변수로부터 상기 저해상도 이미지와 같은 차원의 특성맵을 생성하는 단계; 및상기 저해상도 이미지와 상기 특성맵의 결합으로부터 상기 고해상도 이미지를 생성하는 단계를 포함하는 것을 특징으로 하는, 저해상도 이미지의 해상도 개선 방법
|
| 3 |
3
제 2항에 있어서,상기 프로세서는 생성기를 통해 상기 고해상도 이미지를 생성하되,상기 생성기는 상기 저해상도 이미지와 상기 특성맵을 채널 축으로 이어붙이는 과정을 통해 컨캐터네이션(concatenation) 결합시키고, 결합 결과로서의 특성맵에 대한 디컨볼루션 연산 및 컨볼루션 연산을 통해 상기 고해상도 이미지를 생성하는 것을 특징으로 하는, 저해상도 이미지의 해상도 개선 방법
|
| 4 |
4
제 1항에 있어서,상기 고해상도 잠재 공간은 상기 학습용 고해상도 이미지로부터 제 1인코더에 의해 생성되는 2개의 벡터에 의해 표현되는 정규 분포를 나타내는 것을 특징으로 하는, 저해상도 이미지의 해상도 개선 방법
|
| 5 |
5
제 4항에 있어서,상기 제 1인코더에 의해 생성되는 2개의 벡터는 상기 고해상도 잠재 공간의 평균과 표준 편차를 각각 나타내는 것을 특징으로 하는, 저해상도 이미지의 해상도 개선 방법
|
| 6 |
6
제 5항에 있어서,상기 공유 잠재 공간은 상기 학습용 저해상도 이미지로부터 제 2인코더에 의해 생성되는 2개의 벡터에 의해 표현되는 정규 분포를 나타내는 것을 특징으로 하는, 저해상도 이미지의 해상도 개선 방법
|
| 7 |
7
제 6항에 있어서,상기 제 2인코더에 의해 생성되는 2개의 벡터는 상기 공유 잠재 공간의 평균과 표준 편차를 각각 나타내는 것을 특징으로 하는, 저해상도 이미지의 해상도 개선 방법
|
| 8 |
8
제 7항에 있어서,상기 학습 모델은 상기 고해상도 잠재 공간과 상기 공유 잠재 공간 간의 쿨백-라이블러 발산(Kullback-Leibler divergence)이 최소화되도록 하는 학습과정을 통해 얻어진 것임을 특징으로 하는, 저해상도 이미지의 해상도 개선 방법
|
| 9 |
9
학습 모델에 기초한 저해상도 이미지의 해상도 개선 장치로서,저해상도 이미지를 입력받는 입력부;상기 학습 모델을 저장하고 있는 메모리; 및프로세서를 포함하되,상기 프로세서는, 상기 입력부를 통해 입력받은 저해상도 이미지로부터 공유 잠재 공간을 형성하고, 상기 공유 잠재 공간으로부터 잠재 변수를 추출하고, 상기 저해상도 이미지와 상기 잠재 변수에 기초하여 고해상도 이미지를 생성하며,상기 학습 모델은 학습용 고해상도 이미지로부터 형성된 고해상도 잠재 공간과, 학습용 저해상도 이미지로부터 형성된 공유 잠재 공간을 매칭시키는 학습 과정을 통해 생성된 것임을 특징으로 하는, 저해상도 이미지의 해상도 개선 장치
|
| 10 |
10
제 9항에 있어서,상기 고해상도 이미지의 생성 시, 상기 프로세서는 상기 잠재 변수로부터 상기 저해상도 이미지와 같은 차원의 특성맵을 생성하고, 상기 저해상도 이미지와 상기 특성맵의 결합으로부터 상기 고해상도 이미지를 생성하는 것을 특징으로 하는, 저해상도 이미지의 해상도 개선 장치
|
| 11 |
11
제 10항에 있어서,상기 프로세서는 생성기를 통해 상기 고해상도 이미지를 생성하되,상기 생성기는 상기 저해상도 이미지와 상기 특성맵을 채널 축으로 이어붙이는 과정을 통해 컨캐터네이션(concatenation) 결합시키고, 결합 결과로서의 특성맵에 대한 디컨볼루션 연산 및 컨볼루션 연산을 통해 상기 고해상도 이미지를 생성하는 것을 특징으로 하는, 저해상도 이미지의 해상도 개선 장치
|
| 12 |
12
제 9항에 있어서,상기 고해상도 잠재 공간은 상기 학습용 고해상도 이미지로부터 제 1인코더에 의해 생성되는 2개의 벡터에 의해 표현되는 정규 분포를 나타내는 것을 특징으로 하는, 저해상도 이미지의 해상도 개선 장치
|
| 13 |
13
제 12항에 있어서,상기 제 1인코더에 의해 생성되는 2개의 벡터는 상기 고해상도 잠재 공간의 평균과 표준 편차를 각각 나타내는 것을 특징으로 하는, 저해상도 이미지의 해상도 개선 장치
|
| 14 |
14
제 13항에 있어서,상기 공유 잠재 공간은 상기 학습용 저해상도 이미지로부터 제 2인코더에 의해 생성되는 2개의 벡터에 의해 표현되는 정규 분포를 나타내는 것을 특징으로 하는, 저해상도 이미지의 해상도 개선 장치
|
| 15 |
15
제 14항에 있어서,상기 제 2인코더에 의해 생성되는 2개의 벡터는 상기 공유 잠재 공간의 평균과 표준 편차를 각각 나타내는 것을 특징으로 하는, 저해상도 이미지의 해상도 개선 장치
|
| 16 |
16
제 15항에 있어서,상기 학습 모델은 상기 고해상도 잠재 공간과 상기 공유 잠재 공간 간의 쿨백-라이블러 발산(Kullback-Leibler divergence)이 최소화되도록 하는 학습과정을 통해 얻어진 것임을 특징으로 하는, 저해상도 이미지의 해상도 개선 장치
|
| 17 |
17
프로세서에 의해 수행되는 저해상도 이미지의 해상도 개선을 위한 학습 모델 생성방법으로서,제 1인코더가 고해상도 이미지로부터 고해상도 잠재 공간을 형성하는 단계;상기 프로세서가 상기 고해상도 잠재 공간으로부터 잠재 변수를 추출하는 단계;생성기가 저해상도 이미지와 상기 잠재 변수에 기초하여 고해상도 이미지를 생성하는 단계; 및상기 프로세서가, 제 2인코더에 의해 저해상도 이미지로부터 형성된 공유 잠재 공간과, 상기 고해상도 잠재 공간을 매칭시키는 학습 과정을 통해, 상기 제 1인코더, 상기 제 2인코더 및 상기 생성기를 학습시키는 단계를 포함하는, 저해상도 이미지의 해상도 개선을 위한 학습 모델 생성방법
|
| 18 |
18
제 17항에 있어서,상기 학습시키는 단계에서, 상기 프로세서는 상기 공유 잠재 공간과 상기 고해상도 잠재 공간 간의 쿨백-라이블러 발산이 최소화되도록 상기 제 1인코더, 상기 제 2인코더 및 상기 생성기를 학습시키는 것을 특징으로 하는, 저해상도 이미지의 해상도 개선을 위한 학습 모델 생성방법
|
| 19 |
19
제 17항에 있어서,상기 고해상도 이미지를 생성하는 단계는,상기 잠재 변수로부터 생성되는 상기 저해상도 이미지와 같은 차원의 특성맵과, 상기 저해상도 이미지의 결합으로부터 상기 고해상도 이미지를 생성하는 단계를 포함하는 것을 특징으로 하는, 저해상도 이미지의 해상도 개선을 위한 학습 모델 생성방법
|
| 20 |
20
제 19항에 있어서,상기 생성기는 상기 저해상도 이미지와 상기 특성맵을 채널 축으로 이어붙이는 과정을 통해 컨캐터네이션 결합시키고, 결합 결과로서의 특성맵에 대한 디컨볼루션 연산 및 컨볼루션 연산을 통해 상기 고해상도 이미지를 생성하는 것을 특징으로 하는, 저해상도 이미지의 해상도 개선을 위한 학습 모델 생성방법
|
| 21 |
21
제 17항에 있어서,상기 고해상도 잠재 공간은 상기 고해상도 이미지로부터 상기 제 1인코더에 의해 생성되는 2개의 벡터에 의해 표현되는 정규 분포를 나타내고, 상기 제 1인코더에 의해 생성되는 2개의 벡터는 상기 고해상도 잠재 공간의 평균과 표준 편차를 각각 나타내는 것을 특징으로 하는, 저해상도 이미지의 해상도 개선을 위한 학습 모델 생성방법
|
| 22 |
22
제 21항에 있어서,상기 공유 잠재 공간은 상기 저해상도 이미지로부터 상기 제 2인코더에 의해 생성되는 2개의 벡터에 의해 표현되는 정규 분포를 나타내고, 상기 제 2인코더에 의해 생성되는 2개의 벡터는 상기 공유 잠재 공간의 평균과 표준 편차를 각각 나타내는 것을 특징으로 하는, 저해상도 이미지의 해상도 개선을 위한 학습 모델 생성방법
|
