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.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 발행연도
- 2018
- 저작권
- 한림대학교 논문은 저작권에 의해 보호받습니다.
이용수51
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 논문에서는 오래된 흑백 이미지를 컬러로 복원하는 방법을 제안한다. 논
문의 주요 대상은 오래된 흑백 증명사진과 같은 얼굴 이미지로 한다. 오래된
흑백 증명사진은 시간이 지남에 따라 손상되었을 확률이 크다. 따라서 일반
적으로 손상된 흑백 이미지를 가지고 컬러화 작업을 하게 되는데 이 때 손
상된 영역으로 인해 손상된 영역 주변의 컬러가 잘못 색칠되는 경우가 많다.
논문은 이에 동기 부여를 받아 컬러화의 작업에서 손상 복원과 컬러화를 같
이 하는 방안을 생각하였다. 여기서 손상된 이미지를 복원 하는 데에는 최근
의 BEGAN(Boundary Equilibrium Generative Adversarial Networks) 생성 모델을 사용하였다. 이를 사용하여 기존의 표준 DCGAN(Deep Convolutional Generativ e Adversarial Network) 생성 모델을 사용한 방법에 비해 월등한 품질과 더 큰 해상도로 복원이 가능하였다. 또한 복원된 이미지를 컬러화 하는 방법으로는 기존의 CNN(Convolutional Neural Network) 기반 컬러화를 참고하여 만들어진 간단한 모델을 사용하였다. 후에 다양한 유형의 얼굴 이미지, 다양한
마스크에 논문의 방법을 적용한 결과를 보여준다. 이것을 통해 이전 방법보다 잘 동작하는 것을 보여주며 최종적으로 사실적인 컬러 복원이 되는 것을 보인다.
문의 주요 대상은 오래된 흑백 증명사진과 같은 얼굴 이미지로 한다. 오래된
흑백 증명사진은 시간이 지남에 따라 손상되었을 확률이 크다. 따라서 일반
적으로 손상된 흑백 이미지를 가지고 컬러화 작업을 하게 되는데 이 때 손
상된 영역으로 인해 손상된 영역 주변의 컬러가 잘못 색칠되는 경우가 많다.
논문은 이에 동기 부여를 받아 컬러화의 작업에서 손상 복원과 컬러화를 같
이 하는 방안을 생각하였다. 여기서 손상된 이미지를 복원 하는 데에는 최근
의 BEGAN(Boundary Equilibrium Generative Adversarial Networks) 생성 모델을 사용하였다. 이를 사용하여 기존의 표준 DCGAN(Deep Convolutional Generativ e Adversarial Network) 생성 모델을 사용한 방법에 비해 월등한 품질과 더 큰 해상도로 복원이 가능하였다. 또한 복원된 이미지를 컬러화 하는 방법으로는 기존의 CNN(Convolutional Neural Network) 기반 컬러화를 참고하여 만들어진 간단한 모델을 사용하였다. 후에 다양한 유형의 얼굴 이미지, 다양한
마스크에 논문의 방법을 적용한 결과를 보여준다. 이것을 통해 이전 방법보다 잘 동작하는 것을 보여주며 최종적으로 사실적인 컬러 복원이 되는 것을 보인다.
목차
초록 1ABSTRACT 2I. Introduction 3II. Related Work 51. Image Inpainting 52. Image Colorization 63. Deep Learning 73.1 Machine Learning 73.2 ANN (Artificial Neural Network) 73.3 Backpropagation 93.4 CNN (Convolution Neural Network) 93.5 GAN (Generative Adversarial Network) 10III. Method 121. Dataset 122. Inpainting 133. Colorization 18IV. Experiments 221. Comparison by Race 232. Inpainting after Colorization vs Colorization after Inpainting 253. DCGAN Inpainting vs BEGAN Inpainting 274. Comparison by Mask 285. Effect of Post-processing 316. Qualitative Evaluation 327. Quantitative Evaluation 348. Failure Case 349. Limitations and Future Work 35V. Conclusion 37VI. References 38
최근 본 자료
댓글(0)
0