인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
피인용 0
초록·키워드
이미지 인페인팅은 의도적 혹은 비의도적으로 발생한 손실 영역을 자동으로 복원하는 기술이며, 특히 편집 관점에서는 사용자가 직접 특정 객체를 제거하기 위한 목적으로 널리 활용된다. 고전적인 확산 및 패치 기반 접근과 더불어, 최근에는 타 컴퓨터 비전 분야와 마찬가지로 심층신경망을 활용한 기술들이 소개되었다. 하지만 기존 CNN(convolutional neural network) 및 GAN(generative adversarial network) 기반 인페인팅 결과는 블러나 시각적 결함(artifact)과 같은 화질 저하 요소를 빈번히 포함한다. 이는 인페인팅 시나리오에 있어 전역적 의미 추론을 위해 CNN을 통해 특징 공간에 임베딩된 표현이, 손실 영역 복원을 위한 구조적 정보와 고주파 성분으로 동시에 디코딩되기 어려움을 의미한다. 본 논문에서는 이러한 한계를 극복하고자 인간의 시각 인지 특성을 반영한 두 단계의 인페인팅 과정을 제안한다. 제안 방법은 두 개의 GAN으로 구성되어 있으며, 첫 번째 생성망은 시각 정보의 일차시각피질 전달 과정을 모방한 MSCN(mean subtracted contrast normalized) 계수를 생성한다. 두 번째 생성망은 이미지 완성을 위해 생성된 MSCN 계수를 사전 구조 정보로 이용함으로써 손실 영역이 복원된 RGB 이미지를 생성한다. 가중치를 공유하지 않는 두 독립적인 생성망은 각각의 판별망에 적대적으로 end-to-end 학습되며, 두 단계에 걸친 추론을 통해 손실 영역의 단순한 구조 뿐 아닌 미세 성분까지 효과적으로 복원이 가능하다. CelebA 데이터셋을 활용한 실험을 통해 제안하는 시각 인지 특성을 반영한 생성적 인페인팅 방법이 넓은 비규칙적 손실 영역에 대해서도 기존 기술 대비 정성적/정량적으로 우수한 성능을 나타냄을 확인하였다.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-ECN-0101-2021-569-001878886
