1 |
1
뉴럴 네트워크 기반의 디블러링 방법에 있어서,인코딩 모델을 통해 입력 영상을 인코딩하여 상기 입력 영상의 제1 블러 지점에 관한 1차 특징 표현 및 상기 제1 블러 지점의 유사 지점들에 관한 오프셋 정보를 생성하는 단계;상기 1차 특징 표현에 상기 오프셋 정보를 적용하여 상기 유사 지점들에 관한 2차 특징 표현들을 생성하는 단계; 및내재적 함수 모델을 통해 상기 2차 특징 표현들 및 상기 오프셋 정보에 따른 출력 영상을 생성하는 단계를 포함하는 디블러링 방법
|
2 |
2
제1항에 있어서,상기 인코딩 모델의 출력 벡터는상기 1차 특징 표현에 대응하는 제1 성분, 및상기 오프셋 정보에 대응하는 제2 성분을 포함하는, 디블러링 방법
|
3 |
3
제1항에 있어서,상기 2차 특징 표현들을 생성하는 단계는상기 오프셋 정보에 따른 상기 유사 지점들의 오프셋 값들로 상기 1차 특징 표현을 변형(deformation)하여 상기 2차 특징 표현들을 생성하는 단계를 포함하는,디블러링 방법
|
4 |
4
제1항에 있어서,상기 출력 영상을 생성하는 단계는상기 2차 특징 표현들 및 상기 오프셋 정보에 기초하여 각각 특징 표현과 오프셋 값의 쌍을 포함하는 입력 데이터 쌍들을 획득하는 단계;상기 내재적 함수 모델을 통해 상기 입력 데이터 쌍들에 대응하는 임시 값들을 추정하는 단계; 및상기 임시 값들을 결합하여 상기 제1 블러 지점에 대응하는 상기 출력 영상의 디블러링 결과 값을 결정하는 단계를 포함하는, 디블러링 방법
|
5 |
5
제1항에 있어서,상기 디블러링 방법은상기 제1 블러 지점을 포함하는 상기 입력 영상의 블러 영역을 검출하는 단계; 및영상 복원 모델을 통해 상기 입력 영상에 관한 영상 복원을 수행하는 단계를 더 포함하고,상기 출력 영상을 생성하는 단계는상기 내재적 함수 모델을 통해 생성된 상기 블러 영역에 관한 중간 결과 영상과 상기 영상 복원 모델을 통해 생성된 상기 입력 영상에 관한 중간 결과 영상을 합성하여 상기 출력 영상을 생성하는 단계를 포함하는, 디블러링 방법
|
6 |
6
제1항에 있어서,상기 제1 블러 지점은상기 입력 영상의 해상도보다 높은 해상도에 따른 비-그리드 지점(non-grid point)에 해당하는,디블러링 방법
|
7 |
7
제6항에 있어서,상기 디블러링 방법은상기 입력 영상의 그리드 지점들의 선형 보간(linear interpolation)을 통해 상기 제1 블러 지점을 결정하는 단계를 더 포함하는, 디블러링 방법
|
8 |
8
제1항에 있어서,상기 인코딩 모델 및 상기 내재적 함수 모델은 뉴럴 네트워크 모델에 해당하는,디블러링 방법
|
9 |
9
제1항에 있어서,상기 인코딩 모델 및 상기 내재적 함수 모델은상기 인코딩 모델을 통해 블러 영역을 갖는 입력 트레이닝 영상을 인코딩하여 상기 입력 트레이닝 영상의 상기 블러 영역의 샘플 블러 지점에 관한 1차 샘플 특징 표현 및 상기 샘플 블러 지점의 샘플 유사 지점들에 관한 샘플 오프셋 정보를 생성하고,상기 1차 샘플 특징 표현에 상기 샘플 오프셋 정보를 적용하여 상기 샘플 유사 지점들에 관한 2차 샘플 특징 표현들을 생성하고,상기 내재적 함수 모델을 통해 상기 2차 샘플 특징 표현들 및 상기 샘플 오프셋 정보에 따른 출력 트레이닝 영상을 생성하고,상기 블러 영역이 없는 타겟 영상과 상기 출력 트레이닝 영상 간의 차이가 줄어들도록 상기 인코딩 모델 및 상기 내재적 함수 모델을 트레이닝하는동작들을 통해 트레이닝되는, 디블러링 방법
|
10 |
10
제1항에 있어서,상기 인코딩 모델 및 상기 내재적 함수 모델은상기 인코딩 모델 및 상기 내재적 함수 모델을 포함하는 디블러링 모델을 트레이닝하고,상기 인코딩 모델을 고정한 상태로 상기 내재적 함수 모델을 추가로 트레이닝하고,상기 내재적 함수 모델을 고정한 상태로 상기 인코딩 모델을 추가로 트레이닝하는동작들을 통해 트레이닝되는, 디블러링 방법
|
11 |
11
하드웨어와 결합되어 제1항 내지 제10항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램
|
12 |
12
뉴럴 네트워크 기반의 디블러링을 수행하는 전자 장치에 있어서,프로세서; 및상기 프로세서에서 실행가능한 명령어들을 포함하는 메모리를 포함하고,상기 명령어들이 상기 프로세서에서 실행되면, 상기 프로세서는인코딩 모델을 통해 입력 영상을 인코딩하여 상기 입력 영상의 제1 블러 지점에 관한 1차 특징 표현 및 상기 제1 블러 지점의 유사 지점들에 관한 오프셋 정보를 생성하고,상기 1차 특징 표현에 상기 오프셋 정보를 적용하여 상기 유사 지점들에 관한 2차 특징 표현들을 생성하고,내재적 함수 모델을 통해 상기 2차 특징 표현들 및 상기 오프셋 정보에 따른 출력 영상을 생성하는,전자 장치
|
13 |
13
제12항에 있어서,상기 프로세서는상기 오프셋 정보에 따른 상기 유사 지점들의 오프셋 값들로 상기 1차 특징 표현을 변형(deformation)하여 상기 2차 특징 표현들을 생성하는,전자 장치
|
14 |
14
제12항에 있어서,상기 프로세서는상기 2차 특징 표현들 및 상기 오프셋 정보에 기초하여 각각 특징 표현과 오프셋 값의 쌍을 포함하는 입력 데이터 쌍들을 획득하고,상기 내재적 함수 모델을 통해 상기 입력 데이터 쌍들에 대응하는 임시 값들을 추정하고,상기 임시 값들을 결합하여 상기 제1 블러 지점에 대응하는 상기 출력 영상의 디블러링 결과 값을 결정하고,전자 장치
|
15 |
15
제12항에 있어서,상기 프로세서는상기 제1 블러 지점을 포함하는 상기 입력 영상의 블러 영역을 검출하고,영상 복원 모델을 통해 상기 입력 영상에 관한 영상 복원을 수행하고,상기 내재적 함수 모델을 통해 생성된 상기 블러 영역에 관한 중간 결과 영상과 상기 영상 복원 모델을 통해 생성된 상기 입력 영상에 관한 중간 결과 영상을 합성하여 상기 출력 영상을 생성하는,전자 장치
|
16 |
16
제12항에 있어서,상기 제1 블러 지점은상기 입력 영상의 해상도보다 높은 해상도에 따른 비-그리드 지점(non-grid point)에 해당하는,전자 장치
|
17 |
17
제16항에 있어서,상기 프로세서는상기 입력 영상의 그리드 지점들의 선형 보간(linear interpolation)을 통해 상기 제1 블러 지점을 결정하는,전자 장치
|
18 |
18
제12항에 있어서,상기 인코딩 모델 및 상기 내재적 함수 모델은 뉴럴 네트워크 모델에 해당하는,전자 장치
|
19 |
19
제12항에 있어서,상기 인코딩 모델 및 상기 내재적 함수 모델은상기 인코딩 모델을 통해 블러 영역을 갖는 입력 트레이닝 영상을 인코딩하여 상기 입력 트레이닝 영상의 상기 블러 영역의 샘플 블러 지점에 관한 1차 샘플 특징 표현 및 상기 샘플 블러 지점의 샘플 유사 지점들에 관한 샘플 오프셋 정보를 생성하고,상기 1차 샘플 특징 표현에 상기 샘플 오프셋 정보를 적용하여 상기 샘플 유사 지점들에 관한 2차 샘플 특징 표현들을 생성하고,상기 내재적 함수 모델을 통해 상기 2차 샘플 특징 표현들 및 상기 샘플 오프셋 정보에 따른 출력 트레이닝 영상을 생성하고,상기 블러 영역이 없는 타겟 영상과 상기 출력 트레이닝 영상 간의 차이가 줄어들도록 상기 인코딩 모델 및 상기 내재적 함수 모델을 트레이닝하는동작들을 통해 트레이닝되는, 전자 장치
|
20 |
20
제12항에 있어서,상기 인코딩 모델 및 상기 내재적 함수 모델은상기 인코딩 모델 및 상기 내재적 함수 모델을 포함하는 디블러링 모델을 트레이닝하고,상기 인코딩 모델을 고정한 상태로 상기 내재적 함수 모델을 추가로 트레이닝하고,상기 내재적 함수 모델을 고정한 상태로 상기 인코딩 모델을 추가로 트레이닝하는동작들을 통해 트레이닝되는, 전자 장치
|