메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
최익규 (과학기술연합대학원대학교) 박해솔 (한국과학기술연구원) 김익재 (한국과학기술연구원)
저널정보
대한전자공학회 전자공학회논문지 전자공학회논문지 제59권 제8호(통권 제537호)
발행연도
2022.8
수록면
35 - 46 (12page)
DOI
10.5573/ieie.2022.59.8.35

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
대부분의 딥러닝 기반 얼굴 초해상도 네트워크는 원본 고해상도 얼굴 이미지로부터 입력 저해상도 이미지가 생성되는 방식(i.e. bicubic downsampling)을 알고 있다는 가정 하에 학습된다. 이로 인해 학습 데이터와 다른 분포를 띄는 실제 저해상도 얼굴 이미지에서는, 논문에서 보고되는 것과 같은 선명한 초해상도 결과를 얻기 어렵다. 이러한 한계점을 극복하기 위해서 본 연구는 기존 초해상도 연구에서 일반적으로 사용되던 데이터 셋(paired)과 함께 실제 저해상도 이미지(unpaired)를 학습에 활용하여, 실제 저해상도 얼굴 이미지에서도 강건하게 초해상도를 수행할 수 있는 방법을 제안한다. 구체적으로 대응되는 고해상도 이미지가 없는 저해상도 얼굴 이미지를 초해상도 학습에 활용할 수 있도록 Cycle 기반의 네트워크 구조를 설계하였다. 또한 제안하는 네트워크가 다른 형태의 두 도메인(paired, unpaired)으로 구성된 데이터 셋으로 학습함에도 불구하고, 안정적인 학습을 수행하도록 돕는 도메인 적대적 손실함수(domian adversarial loss)를 초해상도 연구에 적용하는 방법을 제안한다. 여러 실험을 통해 제안하는 모델이 기존 연구들에서도 좋은 초해상도 성능을 보여주던 가상의 저해상도 얼굴 이미지에서 뿐만 아니라, 본 논문에서 목표로 하는 실제 저해상도 얼굴 이미지에서도 더 뛰어난 얼굴 초해상도 결과를 보여준다는 것을 시각적, 수치적으로 입증하였다.

목차

요약
Abstract
Ⅰ. 서론
Ⅱ. 관련 연구
Ⅲ. 본론
Ⅳ. 실험
Ⅳ. 결론
REFERENCES

참고문헌 (34)

참고문헌 신청

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2022-569-001701495