JP2020162025A - 画像処理システム、画像処理方法、および画像処理装置 - Google Patents
画像処理システム、画像処理方法、および画像処理装置 Download PDFInfo
- Publication number
- JP2020162025A JP2020162025A JP2019060441A JP2019060441A JP2020162025A JP 2020162025 A JP2020162025 A JP 2020162025A JP 2019060441 A JP2019060441 A JP 2019060441A JP 2019060441 A JP2019060441 A JP 2019060441A JP 2020162025 A JP2020162025 A JP 2020162025A
- Authority
- JP
- Japan
- Prior art keywords
- image
- image processing
- image data
- data
- learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 254
- 238000003672 processing method Methods 0.000 title claims 3
- 238000013528 artificial neural network Methods 0.000 claims abstract description 52
- 230000006835 compression Effects 0.000 claims description 77
- 238000007906 compression Methods 0.000 claims description 74
- 238000000034 method Methods 0.000 claims description 49
- 230000008569 process Effects 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 23
- 241000255925 Diptera Species 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 80
- 230000005540 biological transmission Effects 0.000 abstract description 26
- 238000010586 diagram Methods 0.000 description 36
- 238000012549 training Methods 0.000 description 24
- 238000007639 printing Methods 0.000 description 18
- 230000007704 transition Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 9
- 238000012546 transfer Methods 0.000 description 6
- 230000032258 transport Effects 0.000 description 5
- 238000012015 optical character recognition Methods 0.000 description 4
- 238000009877 rendering Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G06T5/60—
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/85—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression
- H04N19/86—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression involving reduction of coding artifacts, e.g. of blockiness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30176—Document
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
- Image Processing (AREA)
- Facsimiles In General (AREA)
Abstract
Description
<画像処理システム>
本実施の形態では、予め学習を済ませたニューラルネットワークを用いて、圧縮ノイズを備える画像を圧縮ノイズが除去された画像に変換して出力する形態について説明する。
図4(a)は画像処理システムの利用シーケンスを示す図である。ここでは、ユーザが画像処理装置101bを用いて、受信した圧縮ファイルに対して出力指示して印刷出力するケースについて説明する。本実施の形態では、圧縮ファイルとして取得した低品位の変換前画像に対して画像変換を行うことで、高品位の変換後画像(変換後画像データ)を提供することができる。これにより、例えば、ユーザは高品位な画像を用いた印刷物や、高品位な画像を用いたプレビュー結果を取得することができる。また、この高品位の変換後画像に対してOCRを実行することで、画像中に含まれるテキストを高精度に抽出することができる。
前述した画像処理システム100を実現するために、画像処理装置101、学習装置102、画像処理サーバ103は、以下に示す構成を備える。図2(a)は画像処理装置の構成を示す図である。図2(a)に示すように画像処理装置101は、次を備える。CPU201、ROM202、RAM204、プリンタデバイス205、スキャナデバイス206、原稿搬送デバイス207、ストレージ208、入力デバイス209、表示デバイス210、及び外部インタフェース211。各デバイスは、データバス203によって相互通信可能に接続されている。
S401においてエンジニアが学習装置102に入力した学習データについて説明する。学習データは、学習装置102が学習部112でニューラルネットワークを学習するために用いるデータである。ニューラルネットワークを学習するためには、入力画像と正解画像の対が必要となる。本実施の形態では、無圧縮の画像を正解画像とし、非可逆圧縮されて圧縮ノイズを備える画像を入力画像として用いる。
図6は、図4のS402における学習装置102による学習モデルの学習処理の流れを説明するためのフローチャートである。なお、図6で示す各ステップは、学習装置102のROM232、RAM234、ストレージ235等に記憶され、学習装置102のCPU231及びGPU239によって実行される。
図4で説明したS406において、入力デバイス209及び表示デバイス210を用いた画面には、ユーザからの出力指示を受け付けるための操作画面が表示される。操作画面の例としては、図8(a),図8(b),図9が挙げられる。図8(a)は受信済み画像データの一覧画面を示す図である。図8(b)はプレビュー画面を示す図である。図9はAI画像変換の設定画面を示す図である。 図8(a)は、プリント、スキャン、FAX等の1つ以上の機能を組み合せて実現可能な機能メニューのうち、受信トレイ機能が選択されている状態を示す画面である。
図5は、画像処理装置101による画像出力処理の流れを説明するためのフローチャートである。なお、図5で示す各ステップは、画像処理装置101のROM202、RAM204、ストレージ208等に記憶され、画像処理装置101のCPU201によって実行される。なお、フローチャートで示す各ステップの処理の一部は、画像処理サーバ103のROM232、RAM234、ストレージ235等に記憶され、CPU201の要求に基づいて画像処理サーバ103のCPU231によって実行される構成であっても良い。
本実施の形態では、受信データの画像単位毎に圧縮方法の違い、すなわち、画像が非可逆圧縮されているか否かを判断する。そのため、非可逆圧縮がかかっている可能性の高い画像にのみ画像変換処理を実施することができ、処理効率に優れる。上述判断に用いる属性情報は、ドキュメント内のコマンドや画像のヘッダー等から取得される。
図7は、図4のS408および図5のS509における画像処理サーバ103による画像変換処理の流れを説明するためのフローチャートである。なお、図7で示す各ステップは、画像処理サーバ103のROM262、RAM264、ストレージ265等に記憶され、画像処理サーバ103のCPU261によって実行される。
以上で述べたように、第1の実施形態によれば、高品位な画像を出力できる。非可逆圧縮画像の出力時に、学習済モデルを用いた画像変換を実現できる。なお、学習済モデルを用いた画像変換の実行は、画像の出力指示時に限定されるものではない。画像処理装置101bは、例えば、SEND機能により非可逆圧縮されたファイルを受信した時点で画像処理サーバに画像変換を依頼してもよい。また、第1の実施形態によれば、非可逆圧縮がかかっている、すなわち圧縮ノイズが発生しているオブジェクトのみを処理することで、画像変換に要する待ち時間を短縮した上で、高品位の出力画像を生成できる。なお、高品位な画像を単純に出力するだけであれば、詳細な判定は不要である。例えば、S508における判定処理は省いても構わない。また、S706における判定処理は省いても構わない。
第1の実施形態では、一つの学習モデルを用いて画像変換を行う例を説明した。第2の実施形態では、複数の学習モデル(ニューラルネットワーク)を用いて画像変換を行う例を説明する。なお、第2の実施形態における画像処理システム100は、上述した特徴部分を除き、第1の実施形態の画像処理システム100と同様である。
図12は学習モデルの種類を示す図である。第2の実施形態では学習モデルA〜学習モデルNを用いる。これらの学習モデルは、圧縮形式(JPEG,WebP)、圧縮品質(圧縮率)、出力元(出力機器、圧縮回路、圧縮プログラム)等の情報を考慮して細分化されている。このように複数の学習モデルを用意することで、対象画像に適した画像変換を施すことができるようになる。
図13は、第2の実施形態における画像変換処理のフローチャートを示す図である。なお、図13で示す各ステップは、画像処理サーバ103のROM262、RAM264、ストレージ265等に記憶され、画像処理サーバ103のCPU261によって実行される。なお、図13は、本発明の第2の実施形態における図7と共通する部分があるため、共通する部分の説明を省略し、差分の説明のみを行う。
以上で述べたように、第2の実施形態によれば、圧縮形式(JPEG,WebP)、圧縮品質(圧縮率)、出力元(出力機器、圧縮回路、圧縮プログラム)等の情報を考慮して学習モデルを細分化することで、より精度の高い画像変換をおこなうことができる。なお、学習モデルの細分化は、必ずしも、圧縮形式(JPEG,WebP)、圧縮品質(圧縮率、圧縮モード)、出力元(出力機器、圧縮回路、圧縮プログラム)のすべてを考慮しなくてよい。すなわち、一部の情報のみで学習モデルを細分化してもよい。例えば、圧縮形式(JPEG,WebP)のみでモデルを細分化してもよい。なお、本実施の形態では、品質値が100〜71のものは品質が高程度、品質値が70〜41のものは品質が中程度、品質値が40〜1のものは品質が低程度としているが、数値と高低の関係はこれには限られない。数値と高低の関係は適宜変更してよい。また、高低の分け方は3段階に限られず、2段階や4段階以上であってもよい。また、圧縮形式としてJPEG,WebPを挙げたが、「JPEG 2000」や「JPEG XR」等の非可逆圧縮可能なその他のフォーマットを用いてもよい。品質不明用の学習モデルについては必ずしも用意しなくてよい。
第1および第2の実施形態では、エンジニアが学習データを予め用意して学習装置に入力していた。これに対し、第3の実施形態では、画像処理装置が稼働中に受信したPDLジョブを用いて学習データを自動生成する。なお、上述した特徴部分およびその関連部分を除き、第3の実施形態の画像処理システム100の構成は、第1及び第2の実施形態の画像処理システム100と同様である。そのため同様の構成には同様の符号を付し、その詳細な説明を省略する。
図14は、第3の実施形態における画像処理システム100の構成を示した図である。図9に示すように、画像処理システム100は、画像処理装置101、学習装置102、画像処理サーバ103、端末装置105で構成され、ネットワーク104を介して互いに接続される。画像処理装置101、学習装置102、画像処理サーバ103、ネットワーク104については、図1を用いて説明した通りである。
学習シーケンスについて、図15を用いて説明する。図10は、第2の実施形態における画像処理システム100の学習シーケンスを示す図である。
図16は自動学習処理のフローチャートを示す図である。なお、図16で示す各ステップは、学習装置102のROM232、RAM234、ストレージ235等に記憶され、学習装置102のCPU231及びGPU239によって実行される。
上述したように、本実施の形態では、投入されたPDLデータに基づいて、学習モデルが自動学習される。すなわち、ユーザの利用環境に最適化されるように学習モデルの学習が進行していく。ところで、自動学習の進行は、AI画像変換の特性の変化と同義である。すなわち、過去と未来では同じAI画像変換の結果は得られないことを意味する。そのため、これ以上の自動学習を望まないユーザのために自動学習を停止できることが望ましい。
以上で述べたように、本実施の形態では、学習モデルを自動学習することで、ユーザの利用環境に最適化していく。そのため、より高い精度でAI画像変換をおこない、ユーザの望む画像を提供することができる。また、本実施例では、印刷等の通常利用で送信されたPDLデータに基づき印刷を行いながら、並行して学習モデルの学習にこのPDLデータを利用している。そのためユーザは、意識して学習データを投入せずに済む。
本発明は上述した実施の形態に限定されるものではなく、本発明の趣旨に基づき種々の変形(各実施例の有機的な組合せを含む)が可能であり、それらを本発明の範囲から除外するものではない。即ち、上述した各実施形態及びその変形例を組み合わせた構成も全て本発明に含まれるものである。
AIとは、Artificial Intelligenceのことである。
ASICとは、Application Specific Integrated Circuitのことである。
CCDとは、Charge−Coupled Deviceのことである。
CPUとは、Central Processing Unitのことである。
CRTとはCathode Ray Tubeのことである。
FAXとは、facsimileのことである。
FPGAとは、field−programmable gate arrayのことである。
GPUとは、Graphics Processing Unitのことである。
HDDとは、Hard Disk Driveのことである。
JPEGとは、Joint Photographic Experts Groupのことである。
LANとは、Local Area Networkのことである。
LCDとは、Liquid Crystal Displayのことである。
MFPとは、Multi Function Peripheralのことである。
OCRとは、Optical Character Recognition/Readerのことである。
OSとは、Operating Systemのことである。
PCとは、Personal Computerのことである。
PDFとは、Portable Document Formatのことである。
PDLとは、Page Description Languageのことである。
RAMとは、Random‐Access Memoryのことである。
RIPとは、Raster Image Processorのことである。
ROMとは、Read Only Memoryのことである。
SSDとは、Solid State Driveのことである。
WANとは、Wide Area Networkのことである。
101 画像処理装置
102 学習装置
103 画像処理サーバ
104 ネットワーク
105 端末装置
Claims (19)
- 画像処理システムであって、
圧縮画像データを受信する手段と、
第1の画像データと前記第1の画像データを非可逆圧縮した第2の画像データの対に基づき学習したニューラルネットワークを取得し、前記取得したニューラルネットワークと前記圧縮画像データに少なくとも基づいて変換後画像データを取得する手段と、
前記変換後画像データに基づく出力をおこなう手段と、を有することを特徴とする画像処理システム。 - 前記圧縮画像データの圧縮形式情報を取得する手段を備え、
前記ニューラルネットワークは、複数のニューラルネットワークの中から少なくとも前記圧縮形式情報に基づき指定されたニューラルネットであることを特徴とする請求項1に記載の画像処理システム。 - 前記圧縮画像データの品質情報を取得する手段を備え、
前記ニューラルネットワークは、複数のニューラルネットワークの中から少なくとも前記品質情報に基づき指定されたニューラルネットであることを特徴とする請求項1または2に記載の画像処理システム。 - 前記圧縮画像データの出力元情報を取得する手段を備え、
前記ニューラルネットワークは、複数のニューラルネットワークの中から少なくとも前記出力元情報に基づき指定されたニューラルネットであることを特徴とする請求項1乃至3のいずれか1項に記載の画像処理システム。 - 前記複数のニューラルネットワークは、前記ニューラルネットワークとは異なるニューラルネットワークであって前記第1の画像データと前記第1の画像データを非可逆圧縮した第3の画像データの対に基づき学習したニューラルネットワークであり、前記第2の画像データと前記第3の画像データの圧縮率は異なることを特徴とする請求項2乃至4のいずれか1項に記載の画像処理システム。
- PDLデータの受信にしたがって前記PDLデータに基づく画像データ対を生成し、前記複数のニューラルネットワークのうちの少なくとも1つのニューラルネットワークに対し、前記画像データ対に基づく自動学習を行わせる手段を有することを特徴とする請求項2乃至5のいずれか1項に記載の画像処理システム。
- 情報を表示する表示部を備え、
前記表示部は、前記自動学習を許容するか否かを指定可能な画面を表示可能であることを特徴とする請求項6に記載の画像処理システム。 - 情報を表示する表示部を備え、
前記表示部は、ニューラルネットワークによる変換の対象とする圧縮画像の形式を指定可能な画面を表示可能であることを特徴とする請求項1乃至7のいずれか1項に記載の画像処理システム。 - 情報を表示する表示部を備え、
前記表示部は、前記変換後画像を用いる機能をあらかじめ指定可能な画面を表示可能であることを特徴とする請求項1乃至8のいずれか1項に記載の画像処理システム。 - シートに画像を形成する画像形成部を備え、
前記出力をおこなう手段は、前記変換後画像データに基づく画像形成を前記画像形成部に実行させる手段であることを特徴とする請求項1乃至9のいずれか1項に記載の画像処理システム。 - 前記出力をおこなう手段は、前記変換後画像データを外部装置に送信する手段であることを特徴とする請求項1乃至9のいずれか1項に記載の画像処理システム。
- 情報を表示する表示部を備え、
前記出力をおこなう手段は、前記変換後画像データに基づく画面を前記表示部に表示させる手段であることを特徴とする請求項1乃至4のいずれか1項に記載の画像処理システム。 - 前記第1の画像データはブロックノイズを含まず、前記第2の画像データはブロックノイズを含むことを特徴とする請求項1乃至12のいずれか1項に記載の画像処理システム。
- 前記第1の画像データはモスキートノイズを含まず、前記第2の画像データはモスキートノイズを含むことを特徴とする請求項1乃至12のいずれか1項に記載の画像処理システム。
- 前記第1の画像データはPDLデータに基づき生成されることを特徴とする請求項1乃至14のいずれか1項に記載の画像処理システム。
- 前記第2の画像データは、JPEGの形式の画像データであることを特徴とする請求項1乃至15のいずれか1項に記載の画像処理システム。
- 前記第2の画像データは、WebPの形式の画像データであることを特徴とする請求項1乃至15のいずれか1項に記載の画像処理システム。
- 画像処理装置であって、
圧縮画像データを受信する手段と、
第1の画像データと前記第1の画像データを非可逆圧縮した第2の画像データの対に基づき学習したニューラルネットワークを取得し、前記取得したニューラルネットワークと前記圧縮画像データに少なくとも基づいて変換後画像データを取得する手段と、
前記変換後画像データに基づく出力をおこなう手段と、を有することを特徴とする画像処理装置。 - 画像処理方法であって、
圧縮画像データを受信する工程と、
第1の画像データと前記第1の画像データを非可逆圧縮した第2の画像データの対に基づき学習したニューラルネットワークを取得し、前記取得したニューラルネットワークと前記圧縮画像データに少なくとも基づいて変換後画像データを取得する工程と、
前記変換後画像データに基づく出力をおこなう工程と、を有することを特徴とする画像処理方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019060441A JP2020162025A (ja) | 2019-03-27 | 2019-03-27 | 画像処理システム、画像処理方法、および画像処理装置 |
US16/826,660 US11436762B2 (en) | 2019-03-27 | 2020-03-23 | Image processing system, image processing method, and image processing apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019060441A JP2020162025A (ja) | 2019-03-27 | 2019-03-27 | 画像処理システム、画像処理方法、および画像処理装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020162025A true JP2020162025A (ja) | 2020-10-01 |
JP2020162025A5 JP2020162025A5 (ja) | 2022-03-30 |
Family
ID=72606198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019060441A Pending JP2020162025A (ja) | 2019-03-27 | 2019-03-27 | 画像処理システム、画像処理方法、および画像処理装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11436762B2 (ja) |
JP (1) | JP2020162025A (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021015346A (ja) * | 2019-07-10 | 2021-02-12 | キヤノン株式会社 | 情報処理方法、画像処理装置、及びプログラム |
US11281144B2 (en) * | 2020-08-21 | 2022-03-22 | Toshiba Tec Kabushiki Kaisha | Image forming apparatus and control method |
US20230122449A1 (en) * | 2021-10-18 | 2023-04-20 | Tencent America LLC | Substitutional quality factor learning in the latent space for neural image compression |
CN114187604B (zh) * | 2022-02-14 | 2022-05-17 | 山东信通电子股份有限公司 | 一种WebP图片的完整性校验方法、设备及介质 |
US11704518B1 (en) * | 2022-05-17 | 2023-07-18 | Amazon Technologies, Inc. | Per-image print setting optimization |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0447470A (ja) * | 1990-06-14 | 1992-02-17 | Canon Inc | ニューラルネットを用いた画像処理方式及び同方式を用いた画像処理装置 |
JPH06348840A (ja) * | 1993-06-03 | 1994-12-22 | Konica Corp | 画像復元方法 |
JPH10283458A (ja) * | 1997-04-04 | 1998-10-23 | Minolta Co Ltd | 画像処理装置 |
JP2009124443A (ja) * | 2007-11-14 | 2009-06-04 | Ricoh Co Ltd | 画像処理装置及び画像処理方法 |
JP2013120951A (ja) * | 2011-12-06 | 2013-06-17 | Canon Inc | 画像処理装置 |
JP2017038167A (ja) * | 2015-08-07 | 2017-02-16 | 株式会社リコー | 画像処理装置、画像処理方法及びプログラム |
JP2018206382A (ja) * | 2017-06-01 | 2018-12-27 | 株式会社東芝 | 画像処理システム及び医用情報処理システム |
JP2019008599A (ja) * | 2017-06-26 | 2019-01-17 | 株式会社 Ngr | 順伝播型ニューラルネットワークを用いた画像ノイズ低減方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7420699B2 (en) * | 2003-12-22 | 2008-09-02 | Xerox Corporation | Systems and methods for rapid processing of raster intensive color documents |
US8023161B2 (en) * | 2004-02-26 | 2011-09-20 | Sharp Laboratories Of America, Inc. | Systems and methods for providing image data encapsulated in a page description language |
JP2016127475A (ja) | 2015-01-06 | 2016-07-11 | 株式会社リコー | 画像処理システム、画像処理方法、及びプログラム |
WO2017136083A1 (en) * | 2016-02-05 | 2017-08-10 | Google Inc. | Compressing images using neural networks |
US10579908B2 (en) * | 2017-12-15 | 2020-03-03 | Google Llc | Machine-learning based technique for fast image enhancement |
US10535141B2 (en) * | 2018-02-06 | 2020-01-14 | Google Llc | Differentiable jaccard loss approximation for training an artificial neural network |
US10839564B2 (en) * | 2018-02-08 | 2020-11-17 | Uber Technologies, Inc. | Leveraging JPEG discrete cosine transform coefficients in neural networks |
-
2019
- 2019-03-27 JP JP2019060441A patent/JP2020162025A/ja active Pending
-
2020
- 2020-03-23 US US16/826,660 patent/US11436762B2/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0447470A (ja) * | 1990-06-14 | 1992-02-17 | Canon Inc | ニューラルネットを用いた画像処理方式及び同方式を用いた画像処理装置 |
JPH06348840A (ja) * | 1993-06-03 | 1994-12-22 | Konica Corp | 画像復元方法 |
JPH10283458A (ja) * | 1997-04-04 | 1998-10-23 | Minolta Co Ltd | 画像処理装置 |
JP2009124443A (ja) * | 2007-11-14 | 2009-06-04 | Ricoh Co Ltd | 画像処理装置及び画像処理方法 |
JP2013120951A (ja) * | 2011-12-06 | 2013-06-17 | Canon Inc | 画像処理装置 |
JP2017038167A (ja) * | 2015-08-07 | 2017-02-16 | 株式会社リコー | 画像処理装置、画像処理方法及びプログラム |
JP2018206382A (ja) * | 2017-06-01 | 2018-12-27 | 株式会社東芝 | 画像処理システム及び医用情報処理システム |
JP2019008599A (ja) * | 2017-06-26 | 2019-01-17 | 株式会社 Ngr | 順伝播型ニューラルネットワークを用いた画像ノイズ低減方法 |
Also Published As
Publication number | Publication date |
---|---|
US20200311982A1 (en) | 2020-10-01 |
US11436762B2 (en) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2020162025A (ja) | 画像処理システム、画像処理方法、および画像処理装置 | |
US9350901B2 (en) | Image processing apparatus that is capable of two-color printing, control method therefor, and storage medium storing control program therefor | |
US8830492B2 (en) | Data processing apparatus for sending a single job based on common document information | |
US9069514B2 (en) | Image processing apparatus, including conversion process judging, connectable to server via network | |
CN101867673A (zh) | 图像处理装置及图像处理方法 | |
US8792150B2 (en) | Method for storing a profile set, a computer readable recording medium stored with a profile set storage program, a profile set storage system, and a color conversion process device | |
JP2009048253A (ja) | 画像形成システム及び画像形成方法 | |
CN101562680B (zh) | 图像形成装置和图像形成方法 | |
JP2020140563A (ja) | 画像処理システム、画像処理方法、および画像処理装置 | |
US7447365B2 (en) | Systems and methods for mixed raster conversion in direct printing | |
JP2009212841A (ja) | 画像処理システム、画像処理装置、および画像処理方法 | |
JP7338002B2 (ja) | 画像処理装置および画像処理方法、およびプログラム | |
US9830541B2 (en) | Image output system, image output method, document server, and non-transitory computer readable recording medium | |
US10116825B2 (en) | Control server | |
JP5521986B2 (ja) | 画像形成システム | |
US8384920B2 (en) | Image processing apparatus and method, and program for implementing the method | |
JP4960796B2 (ja) | 画像処理装置、画像処理方法ならびにそのプログラム及び記憶媒体 | |
JP2008269325A (ja) | 印刷装置及び印刷システム | |
JP2006203857A (ja) | 画像編集装置、画像編集方法、画像形成装置及び画像形成装置の制御方法 | |
JP2004266470A (ja) | 画像処理装置及び画像処理方法 | |
US8358445B2 (en) | Image reading apparatus, control method therefor, and storage medium | |
US9001388B2 (en) | Imaging forming apparatus to merge print data with a rendering image, method of image forming, and computer-readable recording medium | |
JP5038272B2 (ja) | 画像処理装置、画像処理方法およびプログラム | |
JP6085973B2 (ja) | 画像処理装置、画像処理方法及びプログラム | |
JP4377981B2 (ja) | マルチファンクションシステム、入力機器及びその制御方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220322 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220322 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221115 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221122 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230119 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230214 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230412 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230425 |