1 |
1
하나 이상의 프로세서들, 및상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 이미지 복원 장치로서, 공간적으로 이질적인 노이즈들을 갖는 원 이미지를 입력 받고, 상기 원 이미지에서 제1 특징 벡터를 추출하는 특징 추출 모듈;상기 제1 특징 벡터를 입력 받고, 상기 제1 특징 벡터에서 상기 노이즈들을 제거하여 제2 특징 벡터를 출력하는 노이즈 처리 모듈; 및상기 제2 특징 벡터에 기반하여 상기 원 이미지를 복원하는 이미지 복원 모듈을 포함하고, 상기 노이즈 처리 모듈은, 인공 신경망(Artificial Neural Network)에 사용되는 파라미터들에 대한 복수 개의 템플릿을 저장하는 템플릿 뱅크; 상기 특징 추출 모듈로부터 상기 제1 특징 벡터를 각각 입력 받고, 상기 템플릿 뱅크에서 상기 템플릿을 추출하며, 추출한 상기 템플릿에 기반하여 상기 제1 특징 벡터에서 노이즈를 제거하고 상기 제2 특징 벡터를 각각 출력하도록 학습되는 복수 개의 노이즈 처리부; 및상기 복수 개의 노이즈 처리부에서 각각 출력하는 제2 특징 벡터를 조합하여 조합 벡터를 생성하는 조합부를 포함하며, 상기 이미지 복원 모듈은, 상기 조합 벡터 중 상기 각 노이즈 처리부에서 출력되는 제2 특징 벡터에 대해 주의 집중 가중치를 결정하는 어텐션부; 및상기 조합 벡터 및 상기 주의 집중 가중치에 기반하여 상기 원 이미지를 복원하는 이미지 복원부를 포함하는, 이미지 복원 장치
|
2 |
2
삭제
|
3 |
3
청구항 1에 있어서, 상기 복수 개의 노이즈 처리부는, 상호 병렬로 연결되고 상기 템플릿 뱅크에 저장된 템플릿을 상호 공유하도록 마련되는, 이미지 복원 장치
|
4 |
4
청구항 1에 있어서, 상기 복수 개의 템플릿은, 상기 복수 개의 노이즈 처리부를 구성하는 각 인공 신경망에서 상기 원 이미지의 공통된 특징을 학습하도록 하기 위한 파라미터들을 포함하는, 이미지 복원 장치
|
5 |
5
청구항 4에 있어서, 상기 복수 개의 노이즈 처리부 각각은, 상기 제1 특징 벡터에서 서로 다른 종류의 노이즈를 집중적으로 제거하여 상기 제2 특징 벡터를 출력하도록 학습되는, 이미지 복원 장치
|
6 |
6
청구항 5에 있어서, 상기 복수 개의 노이즈 처리부 각각은, 상기 템플릿 뱅크에서 추출한 템플릿을 기반으로 상기 제1 특징 벡터에서 해당 노이즈를 집중적으로 제거하여 상기 제2 특징 벡터를 출력하기 위한 적응적 가중치(Adaptive Weight)를 생성하는, 이미지 복원 장치
|
7 |
7
청구항 6에 있어서, 상기 각 노이즈 처리부는, 하기의 수학식에 의해 상기 적응적 가중치를 생성하는, 이미지 복원 장치
|
8 |
8
삭제
|
9 |
9
삭제
|
10 |
10
청구항 1에 있어서, 상기 어텐션부는, 상기 각 노이즈 처리부의 채널에 따른 조합 벡터의 평균값을 산출하고, 상기 각 채널에 따른 조합 벡터의 평균 값을 기반으로 하기 수학식에 의해 상기 주의 집중 가중치를 산출하는, 이미지 복원 장치
|
11 |
11
하나 이상의 프로세서들, 및상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 이미지 복원 방법으로서, 특징 추출 모듈에서, 공간적으로 이질적인 노이즈들을 갖는 원 이미지를 입력 받고, 상기 원 이미지에서 제1 특징 벡터를 추출하는 동작;노이즈 처리 모듈에서, 상기 제1 특징 벡터를 입력 받고, 상기 제1 특징 벡터에서 상기 노이즈들을 제거하여 제2 특징 벡터를 출력하는 동작; 및이미지 복원 모듈에서, 상기 제2 특징 벡터에 기반하여 상기 원 이미지를 복원하는 동작을 포함하고, 상기 제2 특징 벡터를 출력하는 동작은, 복수 개의 노이즈 처리부에서, 상기 특징 추출 모듈로부터 상기 제1 특징 벡터를 각각 입력 받는 동작;복수 개의 노이즈 처리부에서, 인공 신경망(Artificial Neural Network)에 사용되는 파라미터들에 대한 복수 개의 템플릿을 저장하는 템플릿 뱅크로부터 상기 템플릿을 각각 추출하는 동작; 및복수 개의 노이즈 처리부에서, 추출한 상기 템플릿에 기반하여 상기 제1 특징 벡터에서 노이즈를 제거하고 상기 제2 특징 벡터를 각각 출력하는 동작을 포함하며, 상기 이미지 복원 방법은, 노이즈 처리 모듈에서, 상기 복수 개의 노이즈 처리부에서 각각 출력하는 제2 특징 벡터를 조합하여 조합 벡터를 생성하는 동작을 더 포함하고, 상기 원 이미지를 복원하는 동작은, 어텐션부에서, 상기 조합 벡터 중 상기 각 노이즈 처리부에서 출력되는 제2 특징 벡터에 대해 주의 집중 가중치를 결정하는 동작; 및이미지 복원부에서, 상기 조합 벡터 및 상기 주의 집중 가중치에 기반하여 상기 원 이미지를 복원하는 동작을 포함하는, 이미지 복원 방법
|
12 |
12
삭제
|
13 |
13
청구항 11에 있어서, 상기 복수 개의 노이즈 처리부는, 상호 병렬로 연결되고 상기 템플릿 뱅크에 저장된 템플릿을 상호 공유하도록 마련되는, 이미지 복원 방법
|
14 |
14
청구항 11에 있어서, 상기 복수 개의 템플릿은, 상기 복수 개의 노이즈 처리부를 구성하는 각 인공 신경망에서 상기 원 이미지의 공통된 특징을 학습하도록 하기 위한 파라미터들을 포함하는, 이미지 복원 방법
|
15 |
15
청구항 14에 있어서, 상기 제2 특징 벡터를 출력하는 동작은, 상기 복수 개의 노이즈 처리부가 각각 상기 제1 특징 벡터에서 서로 다른 종류의 노이즈를 집중적으로 제거하여 상기 제2 특징 벡터를 출력하도록 학습되는 동작을 포함하는, 이미지 복원 방법
|
16 |
16
청구항 15에 있어서, 상기 제2 특징 벡터를 출력하는 동작은, 복수 개의 노이즈 처리부에서, 상기 템플릿 뱅크에서 추출한 템플릿을 기반으로 상기 제1 특징 벡터에서 해당 노이즈를 집중적으로 제거하여 상기 제2 특징 벡터를 출력하기 위한 적응적 가중치(Adaptive Weight)를 생성하는 동작을 포함하는, 이미지 복원 방법
|
17 |
17
청구항 16에 있어서, 상기 적응적 가중치를 생성하는 동작은, 복수 개의 노이즈 처리부에서, 하기의 수학식에 의해 상기 적응적 가중치를 생성하는, 이미지 복원 방법
|
18 |
18
삭제
|
19 |
19
삭제
|
20 |
20
청구항 11에 있어서, 상기 주의 집중 가중치를 결정하는 동작은, 어텐션부에서, 상기 각 노이즈 처리부의 채널에 따른 조합 벡터의 평균값을 산출하고, 상기 각 채널에 따른 조합 벡터의 평균 값을 기반으로 하기 수학식에 의해 상기 주의 집중 가중치를 산출하는, 이미지 복원 방법
|
21 |
21
비일시적 컴퓨터 판독 가능한 저장 매체(non-transitory computer readable storage medium)에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 명령어들을 포함하고, 상기 명령어들은 하나 이상의 프로세서들을 갖는 컴퓨팅 장치에 의해 실행될 때, 상기 컴퓨팅 장치로 하여금, 공간적으로 이질적인 노이즈들을 갖는 원 이미지를 입력 받고, 상기 원 이미지에서 제1 특징 벡터를 추출하는 동작;상기 제1 특징 벡터에서 상기 노이즈들을 제거하여 제2 특징 벡터를 출력하는 동작; 및상기 제2 특징 벡터에 기반하여 상기 원 이미지를 복원하는 동작을 수행하도록 하고, 상기 제2 특징 벡터를 출력하는 동작은, 인공 신경망(Artificial Neural Network)에 사용되는 파라미터들에 대한 복수 개의 템플릿을 저장하는 템플릿 뱅크로부터 상기 템플릿을 각각 추출하는 동작; 및추출한 상기 템플릿에 기반하여 상기 제1 특징 벡터에서 노이즈를 제거하고 상기 제2 특징 벡터를 각각 출력하는 동작을 포함하며, 상기 컴퓨터 프로그램은 상기 컴퓨팅 장치로 하여금, 상기 복수 개의 노이즈 처리부에서 각각 출력하는 제2 특징 벡터를 조합하여 조합 벡터를 생성하는 동작을 더 수행하도록 하고,상기 원 이미지를 복원하는 동작은, 상기 조합 벡터 중 상기 각 노이즈 처리부에서 출력되는 제2 특징 벡터에 대해 주의 집중 가중치를 결정하는 동작; 및상기 조합 벡터 및 상기 주의 집중 가중치에 기반하여 상기 원 이미지를 복원하는 동작을 포함하는, 컴퓨터 프로그램
|