| 1 |
1
컴퓨팅 장치의 프로세서가 각 단계의 적어도 일부를 수행하는 위상 영상 생성 방법으로서,가보 홀로그램(Garbor hologram)을 제공 받는 단계; 및상기 가보 홀로그램으로부터 복원된 제1 위상 영상(phase image)을 머신 러닝(Machine Learning) 기반의 학습 모델에 입력하여 노이즈가 제거된 제2 위상 영상을 생성하는 단계를 포함하고,상기 학습 모델은 비 광축 디지털 홀로그램(off-axis digital hologram)으로부터 복원되고 노이즈가 제거된 위상 영상을 레이블(label)로 하여 조건부 생성적 적대 신경망(conditional generative adversarial network: cGAN)에 기반하여 학습된 생성 모델을 포함하는,컴퓨팅 장치의 위상 영상 생성 방법
|
| 2 |
2
제1 항에 있어서,상기 제2 위상 영상은 트윈 영상(twin part) 및 제로 오더(zero order) 파트가 제거된 위상 영상인, 컴퓨팅 장치의 위상 영상 생성 방법
|
| 3 |
3
제1 항에 있어서,상기 생성 모델은 상기 비 광축 디지털 홀로그램의 위상 영상의 리얼 파트 및 트윈 영상을 동일한 주파수 영역으로 이동시킨 위상 영상을 입력으로 하고,상기 생성 모델의 레이블은 상기 비 광축 디지털 홀로그램으로부터 복원된 위상 영상의 트윈 영상 및 제로 오더 파트를 제거한 위상 영상인,컴퓨팅 장치의 위상 영상 생성 방법
|
| 4 |
4
제1 항에 있어서,상기 생성 모델은 상기 비 광축 디지털 홀로그램으로부터 복원된 위상 영상의 노이즈를 동일한 주파수 영역으로 중첩시킨 위상 영상을 입력으로 하여 학습된 생성 모델인,컴퓨팅 장치의 위상 영상 생성 방법
|
| 5 |
5
제1 항에 있어서,상기 생성 모델은 상기 비 광축 디지털 홀로그램으로부터 획득된 가보 홀로그램으로부터 복원된 위상 영상을 입력으로 하여 학습된 생성 모델인,컴퓨팅 장치의 위상 영상 생성 방법
|
| 6 |
6
제1 항에 있어서,상기 학습 모델은 가보 홀로그램으로부터 복원된 위상 영상으로부터 노이즈가 제거된 위상 영상을 생성하도록 훈련되는 상기 생성 모델 및 상기 생성 모델이 생성한 위상 영상이 실제 위상 영상인지 생성된 위상 영상인지 판별 하도록 훈련되는 판별 모델이 서로 적대적으로 경쟁하여 훈련된 학습 모델인,컴퓨팅 장치의 위상 영상 생성 방법
|
| 7 |
7
프로세서; 및상기 프로세서와 전기적으로 연결되고, 상기 프로세서에서 수행되는 적어도 하나의 코드(code)가 저장되는 메모리를 포함하고,상기 메모리는 상기 프로세서를 통해 실행될 때 상기 프로세서가,가보 홀로그램(Garbor hologram)을 제공 받고, 상기 가보 홀로그램으로부터 복원된 제1 위상 영상(phase image)을 머신 러닝(Machine Learning) 기반의 학습 모델에 입력하여 노이즈가 제거된 제2 위상 영상을 생성하도록 야기하는 코드를 저장하고,상기 학습 모델은 비 광축 디지털 홀로그램(off-axis digital hologram)으로부터 복원되고 노이즈가 제거된 위상 영상을 레이블(label)로 하여 조건부 생성적 적대 신경망(conditional generative adversarial network: cGAN)에 기반하여 학습된 생성 모델을 포함하는,컴퓨팅 장치
|
| 8 |
8
제7 항에 있어서,상기 제2 위상 영상은 트윈 영상(twin part) 및 제로 오더(zero order) 파트가 제거된 위상 영상인, 컴퓨팅 장치
|
| 9 |
9
제7 항에 있어서,상기 생성 모델은 상기 비 광축 디지털 홀로그램으로부터 복원된 위상 영상의 리얼 파트 및 트윈 영상을 동일한 주파수 영역으로 이동시킨 위상 영상을 입력으로 하고,상기 생성 모델의 레이블은 상기 비 광축 디지털 홀로그램으로부터 복원된 위상 영상의 트윈 영상 및 제로 오더 파트를 제거한 위상 영상인,컴퓨팅 장치
|
| 10 |
10
제7 항에 있어서,상기 생성 모델은 상기 비 광축 디지털 홀로그램으로부터 복원된 위상 영상의 노이즈를 동일한 주파수 영역으로 중첩시킨 위상 영상을 입력으로 하여 학습된 생성 모델인,컴퓨팅 장치
|
| 11 |
11
제7 항에 있어서,상기 생성 모델은 상기 비 광축 디지털 홀로그램으로부터 획득된 가보 홀로그램으로부터 복원된 위상 영상을 입력으로 하여 학습된 생성 모델인,컴퓨팅 장치
|
| 12 |
12
제7 항에 있어서,상기 학습 모델은 가보 홀로그램으로부터 복원된 위상 영상으로부터 노이즈가 제거된 위상 영상을 생성하도록 훈련되는 상기 생성 모델 및 상기 생성 모델이 생성한 위상 영상이 실제 위상 영상인지 생성된 위상 영상인지 판별 하도록 훈련되는 판별 모델이 서로 적대적으로 경쟁하여 훈련된 학습 모델인,컴퓨팅 장치
|
| 13 |
13
제7 항에 있어서,상기 메모리는 상기 프로세서를 통해 실행될 때 상기 프로세서가, 제1 외부 장치로부터 네트워크를 통해 상기 제1 위상 영상을 수신하고, 생성된 상기 제2 위상 영상을 상기 제1 외부 장치로 전송하도록 야기하는 코드를 더 저장하는,컴퓨팅 장치
|
| 14 |
14
제7 항에 있어서,상기 메모리는 상기 프로세서를 통해 실행될 때 상기 프로세서가, 상기 생성 모델을 제2 외부 장치로부터 제공 받도록 야기하는 코드를 더 저장하는,컴퓨팅 장치
|
| 15 |
15
프로세서; 및상기 프로세서와 전기적으로 연결되고, 상기 프로세서에서 수행되는 적어도 하나의 코드(code)가 저장되는 메모리를 포함하고,상기 메모리는 상기 프로세서를 통해 실행될 때 상기 프로세서가 조건부 생성적 적대 신경망(conditional generative adversarial network: cGAN)에 기반하여 생성 모델 및 판별 모델을 포함하는 학습 모델을 훈련하고, 가보 홀로그램(Garbor hologram)으로부터 복원된 제1 위상 영상(phase image)으로부터 노이즈가 제거된 제2 위상 영상을 생성하도록 훈련되는 상기 생성 모델 및 생성된 상기 제2 위상 영상이 실제 위상 영상인지 생성된 위상 영상인지 판별 하도록 훈련되는 상기 판별 모델이 서로 적대적으로 경쟁하여 훈련되도록 야기하는 코드를 저장하는,학습 모델 훈련 장치
|
| 16 |
16
제15 항에 있어서,상기 제1 위상 영상은 비 광축 디지털 홀로그램(off-axis digital hologram)으로부터 획득된 가보 홀로그램으로부터 복원된 위상 영상인,학습 모델 훈련 장치
|
| 17 |
17
제15 항에 있어서,상기 제1 위상 영상은 비 광축 디지털 홀로그램으로부터 복원된 위상 영상의 리얼 파트 및 트윈 영상을 동일한 주파수 영역으로 이동시킨 위상 영상인,학습 모델 훈련 장치
|
| 18 |
18
제15 항에 있어서,상기 생성 모델은 비 광축 디지털 홀로그램(off-axis digital hologram)으로부터 복원된 위상 영상의 리얼 파트(real part) 및 트윈 영상(twin part)를 동일한 주파수 영역으로 이동시킨 위상 영상을 입력으로 하고,상기 생성 모델의 레이블(lable)은 상기 비 광축 디지털 홀로그램으로부터 복원된 위상 영상의 트윈 영상 및 제로 오더 파트를 제거한 위상 영상인,학습 모델 훈련 장치
|
