1 |
1
이미지 출력 시스템에 의해 수행되는 초해상도 모델을 이용한 이미지 출력 방법에 있어서,저해상도 이미지를 초해상도 모델에 입력받는 단계; 및 상기 초해상도 모델을 이용하여 상기 저해상도 이미지로부터 고해상도 이미지를 출력하는 단계를 포함하고, 상기 초해상도 모델은, 네트워크에 구성되는 복수 개의 블록에서 합성곱 층이 중복으로 사용되는 중첩 구조로 구축되어 각 채널별로 계산된 상관관계에 기초하여 이미지로부터 추출된 특정 특징맵에 가중치가 부여되도록 학습된 것을 특징으로 하는 이미지 출력 방법
|
2 |
2
제1항에 있어서,상기 초해상도 모델은, 상기 저해상도 이미지로부터 특징맵을 추출하는 특징 추출 단계;상기 추출된 특징맵을 이용하여 정제된 특징 정보를 축적하는 특징맵 축적 단계;확장 모듈(Upscaling Module)을 사용하여 상기 축적된 특징 정보에 대한 확장된 특징맵을 출력하는 확장 단계; 및 상기 확장된 특징맵에 합성곱 층을 사용하여 고해상도 이미지를 획득하는 재구성 단계를 통해 학습되도록 구축된 것인, 이미지 출력 방법
|
3 |
3
제2항에 있어서,상기 특징맵 축적 단계는,덴스 커넥션(Dense Connection)으로 이루어진 덴스 그룹(Dense Group)을 ResNet 구조로 연결한 덴스 인 레지듀얼(Dense in Residual)을 이용하여 상기 추출된 특징맵으로부터 축적된 특징맵을 출력하는 단계를 포함하는 이미지 출력 방법
|
4 |
4
제2항에 있어서,상기 확장 단계는,픽셀 셔플 모듈을 포함한 합성곱 구조를 사용하여 획득하고자 하는 고해상도 이미지와 동일한 크기의 특징맵을 출력하는 단계 를 포함하는 이미지 출력 방법
|
5 |
5
제2항에 있어서,상기 재구성 단계는,상기 확장 단계를 통해 출력된 고해상도 이미지와 동일한 크기의 특징맵에 1×1 합성곱 층을 사용하여 고해상도 이미지를 출력하는 단계 를 포함하는 이미지 출력 방법
|
6 |
6
제1항에 있어서,상기 초해상도 모델은,제1 합성곱 층, 복수 개의 덴스 그룹(Dense Group), elemental-wise sum, 확장 모듈 및 제2 합성곱 층을 포함하는 네트워크로 구성되고, 상기 복수 개의 덴스 그룹의 각각은, RRCAB 및 RRCABP를 포함하는 복수 개의 블록을 포함하고, 입력 데이터가 상기 RRCAB 및 RRCABP를 통과함에 따라 축적된 각각의 특징맵들에 대하여 계층 평균 집중 모듈(Mean Layer Attention)이 사용되어 각 채널별 상관관계가 계산되고, 상기 계산된 각 채널별 상관관계에 기반한 가중치가 각각의 특징맵들에 부여되고, 덴스 커넥션(Dense Connection)이 완료되었을 때 가중치가 부여된 특징들맵이 다음 입력값으로 사용되기 위해 압축층을 통해 특징맵들이 압축되고, 상기 압축된 특징맵들에 대하여 합성곱 층이 통과되어 출력된 결과값과 상기 입력 데이터의 값이 스킵 커넥션(Skip Connection)으로 합해지도록 구성되는 것을 특징으로 하는 이미지 출력 방법
|
7 |
7
제6항에 있어서,상기 RRCAB 및 상기 RRCABP은, 합성곱 층과 활성 함수 층을 통과한 특징맵들을 합성곱 층과 활성 함수 층의 입력 데이터로 다시 사용하는 동작을 반복함에 따라 출력된 각각의 특징맵들을 합하고, 합해진 특징맵에 채널 집중 모듈(Channel Attention Module)을 통해 가중치가 부여되도록 구성된 것을 특징으로 하는 이미지 출력 방법
|
8 |
8
제1항 내지 제8항 중 어느 한 항의 이미지 출력 방법을 상기 이미지 출력 시스템에 실행시키기 위해 비-일시적인 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램
|
9 |
9
이미지 출력 시스템에 있어서,저해상도 이미지를 초해상도 모델에 입력받는 이미지 입력부; 및 상기 초해상도 모델을 이용하여 상기 저해상도 이미지로부터 고해상도 이미지를 출력하는 이미지 출력부를 포함하고, 상기 초해상도 모델은, 네트워크에 구성되는 복수 개의 블록에서 합성곱 층이 중복으로 사용되는 중첩 구조로 구축되어 각 채널별로 계산된 상관관계에 기초하여 이미지로부터 추출된 특정 특징맵에 가중치가 부여되도록 학습된 것을 특징으로 하는 이미지 출력 시스템
|
10 |
10
제9항에 있어서,상기 초해상도 모델은, 상기 저해상도 이미지로부터 특징맵을 추출하는 특징 추출 과정;상기 추출된 특징맵을 이용하여 정제된 특징 정보를 축적하는 특징맵 축적 과정;확장 모듈(Upscaling Module)을 사용하여 상기 축적된 특징 정보에 대한 확장된 특징맵을 출력하는 확장 과정; 및 상기 확장된 특징맵에 합성곱 층을 사용하여 고해상도 이미지를 획득하는 재구성 과정를 통해 학습되도록 구축된 것인, 이미지 출력 시스템
|
11 |
11
제10항에 있어서,상기 특징맵 축적 과정은,덴스 커넥션(Dense Connection)으로 이루어진 덴스 그룹(Dense Group)을 ResNet 구조로 연결한 덴스 인 레지듀얼(Dense in Residual)을 이용하여 상기 추출된 특징맵으로부터 축적된 특징맵을 출력하는 것을 특징으로 하는 이미지 출력 시스템
|
12 |
12
제10항에 있어서,상기 확장 과정은,픽셀 셔플 모듈을 포함한 합성곱 구조를 사용하여 획득하고자 하는 고해상도 이미지와 동일한 크기의 특징맵을 출력하는 것을 특징으로 하는 이미지 출력 시스템
|
13 |
13
제10항에 있어서,상기 재구성 과정은, 상기 확장 과정을 통해 출력된 고해상도 이미지와 동일한 크기의 특징맵에 1×1 합성곱 층을 사용하여 고해상도 이미지를 출력하는 것을 특징으로 하는 이미지 출력 시스템
|
14 |
14
제9항에 있어서,상기 초해상도 모델은,제1 합성곱 층, 복수 개의 덴스 그룹(Dense Group), elemental-wise sum, 확장 모듈 및 제2 합성곱 층을 포함하는 네트워크로 구성되고, 상기 복수 개의 덴스 그룹의 각각은, RRCAB 및 RRCABP를 포함하는 복수 개의 블록을 포함하고, 입력 데이터가 상기 RRCAB 및 RRCABP를 통과함에 따라 축적된 각각의 특징맵들에 대하여 계층 평균 집중 모듈(Mean Layer Attention)이 사용되어 각 채널별 상관관계가 계산되고, 상기 계산된 각 채널별 상관관계에 기반한 가중치가 각각의 특징맵들에 부여되고, 덴스 커넥션(Dense Connection)이 완료되었을 때 가중치가 부여된 특징들맵이 다음 입력값으로 사용되기 위해 압축층을 통해 특징맵들이 압축되고, 상기 압축된 특징맵들에 대하여 합성곱 층이 통과되어 출력된 결과값과 상기 입력 데이터의 값이 스킵 커넥션(Skip Connection)으로 합해지도록 구성된것을 특징으로 하는 이미지 출력 시스템
|
15 |
15
제14항에 있어서,상기 RRCAB 및 상기 RRCABP은, 합성곱 층과 활성 함수 층을 통과한 특징맵들을 합성곱 층과 활성 함수 층의 입력 데이터로 다시 사용하는 동작을 반복함에 따라 출력된 각각의 특징맵들을 합하고, 합해진 특징맵에 채널 집중 모듈(Channel Attention Module)을 통해 가중치가 부여되도록 구성된 것을 특징으로 하는 이미지 출력 시스템
|