| 1 |
1
인공신경망 기반의 초해상화 모델을 학습시키는 방법에 있어서,정답 영상에 위상합동(Phase Congruency, PC)을 수행하여 주파수 영역(frequency region)을 분할하는 과정; 및맥락 손실(contextual loss)의 비율과 인지 손실(perceptual loss)의 비율이, 상기 주파수 영역의 주파수 특성(frequency characteristics)에 따라 서로 다르게 결정되도록 상기 초해상화 모델을 학습시키는 과정을 포함하는 것을 특징으로 하는 초해상화 모델 학습방법
|
| 2 |
2
제1항에 있어서, 상기 주파수 영역을 분할하는 과정은,상기 정답 영상을 고주파수 성분(high frequency component)으로 구성된 고주파수 영역(high frequency region)과 저주파수 성분으로 구성된 저주파수 영역(low frequency region)으로 분할하는 것을 특징으로 하는 초해상화 모델 학습방법
|
| 3 |
3
제2항에 있어서,상기 주파수 영역을 분할하는 과정은,상기 위상합동을 수행하여 생성되는 PC 맵(PC map)의 각 성분을 기 설정된 임계치를 기준으로 1 또는 0으로 변환하여 고주파수용 마스크(high frequency mask) 또는 저주파수용 마스크(low frequency mask)를 생성함으로써 수행되는 것을 특징으로 하는 초해상화 모델 학습방법
|
| 4 |
4
제3항에 있어서,상기 고주파수 영역은, 상기 정답 영상과 상기 고주파수용 마스크 간에 원소별 곱(element-wise multiplication)을 수행함으로써 생성되고,상기 저주파수 영역은, 상기 정답 영상과 상기 저주파수용 마스크 간에 원소별 곱을 수행함으로써 생성되는 것을 특징으로 하는 초해상화 모델 학습방법
|
| 5 |
5
제4항에 있어서,상기 고주파수용 마스크 또는 상기 저주파수용 마스크에는 바운더리 딜레이션(boundary dilation)이 수행되는 것을 특징으로 하는 초해상화 모델 학습방법
|
| 6 |
6
제1항에 있어서,상기 정답 영상에 상기 위상합동을 수행하여 생성되는 제1 PC 맵과, 학습 전 초해상화 모델로부터 출력한 출력 영상에 상기 위상합동을 수행하여 생성되는 제2 PC 맵 간의 차를 최소화하도록 상기 초해상화 모델을 학습시키는 과정을 더 포함하는 것을 특징으로 하는 초해상화 모델 학습방법
|
| 7 |
7
제1항에 있어서,상기 인공신경망을 학습시키는 과정은,상기 주파수 특성이 고주파수에 해당하는 경우 상기 맥락 손실의 비율이 상기 주파수 특성이 저주파수에 해당하는 경우 대비 상대적으로 더 높게 결정되도록 상기 초해상화 모델을 학습시키는 것을 특징으로 하는 초해상화 모델 학습방법
|
| 8 |
8
제1항에 있어서,상기 인공신경망을 학습시키는 과정은,상기 주파수 특성이 저주파수에 해당하는 경우 상기 인지 손실의 비율이 상기 주파수 특성이 고주파수에 해당하는 경우 대비 상대적으로 더 높게 결정되도록 상기 초해상화 모델을 학습시키는 것을 특징으로 하는 초해상화 모델 학습방법
|
| 9 |
9
제1항에 있어서,상기 맥락 손실의 비율은, 상기 인지 손실의 비율이 증가하면 감소하고, 상기 인지 손실의 비율이 감소하면 증가하는 것을 특징으로 하는 초해상화 모델 학습방법
|
| 10 |
10
제1항 내지 제9항 중 어느 한 항에 따른 초해상화 모델 학습방법이 포함하는 각 과정을 실행시키기 위하여 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터 프로그램
|
| 11 |
11
비일시적 기록매체에 저장된 인공신경망 기반의 초해상화 모델에 있어서,정답 영상에 위상합동(Phase Congruency, PC)을 수행하여 주파수 영역(frequency region)을 분할하는 위상합동부; 및맥락 손실(contextual loss)의 비율과 인지 손실(perceptual loss)의 비율이, 상기 주파수 영역의 주파수 특성(frequency characteristics)에 따라 서로 다르게 결정되도록 학습을 수행하는 제1 학습부를 포함하는 것을 특징으로 하는 초해상화 모델
|
| 12 |
12
제11항에 있어서,상기 위상합동부는,상기 위상합동을 수행하여 생성되는 PC 맵(PC map)의 각 성분을 기 설정된 임계치를 기준으로 1 또는 0으로 변환하여 고주파수용 마스크(high frequency mask) 또는 저주파수용 마스크(low frequency mask)를 생성하여, 상기 고주파수용 마스크 또는 상기 저주파수용 마스크를 이용하여 상기 주파수 영역을 분할하는 것을 특징으로 하는 초해상화 모델
|
| 13 |
13
제12항에 있어서,상기 고주파수용 마스크 또는 상기 저주파수용 마스크에는 바운더리 딜레이션(boundary dilation)이 수행되는 것을 특징으로 하는 초해상화 모델
|
| 14 |
14
제11항에 있어서,상기 제1 학습부는,상기 주파수 특성이 고주파수에 해당하는 경우 상기 맥락 손실의 비율이 상기 주파수 특성이 저주파수에 해당하는 경우 대비 상대적으로 더 높게 결정되도록 학습을 수행하고,상기 주파수 특성이 저주파수에 해당하는 경우 상기 인지 손실의 비율이 상기 주파수 특성이 고주파수에 해당하는 경우 대비 상대적으로 더 높게 결정되도록 학습을 수행하는 것을 특징으로 하는 초해상화 모델
|
| 15 |
15
제11항에 있어서,상기 정답 영상에 상기 위상합동을 수행하여 생성되는 제1 PC 맵과, 학습 전 초해상화 모델로부터 출력한 출력 영상에 상기 위상합동을 수행하여 생성되는 제2 PC 맵 간의 차를 최소화하도록 학습하는 제2 학습부를 더 포함하는 것을 특징으로 하는 초해상화 모델
|
