| 1 |
1
기설정된 노이즈에 기초한 입력 노이즈 이미지로부터 잠재 변수를 추론하는 인코더;상기 입력 노이즈 이미지로부터 상기 노이즈를 제거하여 디노이징 이미지를 생성하는 디노이저; 및상기 추론된 잠재 변수를 이용하여 노이즈 이미지를 복원하는 디코더를 포함하고,상기 복원된 노이즈 이미지와 상기 입력 노이즈 이미지 간의 차이에 기초하여 상기 잠재 변수를 학습하는, 이미지 프로세싱 장치
|
| 2 |
2
제1항에 있어서, 상기 디노이저는복수의 RIR(Residual In Residual) 블록 및 제1 컨볼루션 블록을 포함하는, 이미지 프로세싱 장치
|
| 3 |
3
제1항에 있어서, 상기 인코더는상기 기설정된 노이즈 및 쿨백-라이블러 발산을 이용하여 상기 입력 노이즈 이미지로부터 상기 잠재 변수의 평균 및 표준편차를 추론하는, 이미지 프로세싱 장치
|
| 4 |
4
제1항에 있어서, 상기 디노이저는이전 단계 디노이징 이미지와 상기 학습된 잠재 변수에 기초하여 생성된 현재 단계 디노이징 이미지 간 손실함수에서 PSNR(Peak signal to noise ratio)가 최대화되도록 상기 현재 단계 디노이징 이미지를 생성하는, 이미지 프로세싱 장치
|
| 5 |
5
피사체에 대한 제1 입력 이미지를 센싱하는 이미지 센서;복수의 합성곱 신경망을 포함하여 상기 제1 입력 이미지의 노이즈를 제거하는 뉴럴 프로세서;상기 뉴럴 프로세서에서 실행가능한 인스트럭션들을 저장하는 메모리를 포함하고, 상기 뉴럴 프로세서는 인코딩 합성곱 신경망을 이용하여 상기 제1 입력 이미지에 기초하여 잠재 변수를 추론하고,디노이징 합성곱 신경망을 이용하여 상기 제1 입력 이미지에서 상기 추론된 잠재 변수에 기초한 노이즈를 제거하여 제1 디노이징 이미지를 생성하는, 이미지 프로세싱 장치
|
| 6 |
6
제5항에 있어서, 상기 잠재 변수는 상기 노이즈에 대한 레벨 및 분포 정보를 포함하는, 이미지 프로세싱 장치
|
| 7 |
7
제5항에 있어서, 상기 디노이징 합성곱 신경망은각각이 복수의 잔차 블록과 컨볼루션 블록을 포함하는, 복수의 정류된 선형 유닛을 포함하는 복수의 RIR(residual-in residual) 블록; 및 컨볼루션 레이어를 포함하고,각 선형 유닛은 스킵 연결로 연결되고 상기 선형 유닛의 출력에 상기 제1 입력 이미지를 추가하여 잔차 이미지를 추론하는, 이미지 프로세싱 장치
|
| 8 |
8
제5항에 있어서, 상기 인코딩 합성곱 신경망은 상기 제1 입력 이미지에 대한 피쳐 맵의 공간 크기를 기설정된 비율로 줄이고, 재매개화 트릭을 적용하여 상기 잠재 변수를 추론하는, 이미지 프로세싱 장치
|
| 9 |
9
제5항에 있어서, 상기 뉴럴 프로세서는디코딩 합성곱 신경망을 이용하여 상기 잠재변수와 상기 제1 디노이징 이미지를 이용하여 제1 복원 이미지를 생성하고,상기 디노이징 합성곱 신경망은상기 제1 디노이징 이미지와 상기 제1 복원 이미지 간 MAE(mean absolute error)가 작아지도록 하는 상기 잠재 변수를 재추론하고,다음 동작구간의 제2 입력 이미지에 대한 디노이징 수행시 상기 재추론된 잠재 변수를 이용하는, 이미지 프로세싱 장치
|
| 10 |
10
제9항에 있어서, 상기 디노이징 합성곱 신경망은상기 제1 입력 이미지를 포함한 훈련 데이터 세트와 상기 제1 복원 이미지 간 JS 발산(Jensen-Shannon divergence)이 최소화되도록 하는 생성적 적대 신경망(GAN)인, 이미지 프로세싱 장치
|
