JP2021189527A - 情報処理装置、情報処理方法及びプログラム - Google Patents
情報処理装置、情報処理方法及びプログラム Download PDFInfo
- Publication number
- JP2021189527A JP2021189527A JP2020091353A JP2020091353A JP2021189527A JP 2021189527 A JP2021189527 A JP 2021189527A JP 2020091353 A JP2020091353 A JP 2020091353A JP 2020091353 A JP2020091353 A JP 2020091353A JP 2021189527 A JP2021189527 A JP 2021189527A
- Authority
- JP
- Japan
- Prior art keywords
- image
- teacher
- information processing
- image group
- teacher image
- 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.)
- Granted
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 40
- 238000003672 processing method Methods 0.000 title claims 3
- 238000009826 distribution Methods 0.000 claims abstract description 52
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000009827 uniform distribution Methods 0.000 claims abstract description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 31
- 230000002902 bimodal effect Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 description 53
- 230000008569 process Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 238000013135 deep learning Methods 0.000 description 6
- 239000003086 colorant Substances 0.000 description 5
- 230000000295 complement effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4015—Image demosaicing, e.g. colour filter arrays [CFA] or Bayer patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Studio Devices (AREA)
Abstract
Description
まず、以下の各実施形態において登場する、深層学習を応用した画像処理技術全般で用いられている畳み込みニューラルネットワーク(Convolutional Neural Network:CNN)について説明する。CNNは、学習(“training”または“learning”)により生成したフィルタを画像データに対して畳み込んだ(convolution)後、非線形演算することを繰り返す技術である。フィルタは、局所受容野(Local Receptive Field:LPF)とも呼ばれる。画像データに対してフィルタを畳み込んだ後、非線形演算して得られる画像データは、特徴マップ(feature map)と呼ばれる。また、学習は入力画像データと出力画像データのペアからなる学習データ(“training images”または“data sets”)を用いて行われる。簡単には、入力画像データから対応する出力画像データへ高精度に変換可能なフィルタの値を、学習データから生成することが学習である。この詳細については後述する。
次に、CNNの学習について説明する。CNNの学習は、入力学習画像(観測画像)データと対応する出力学習画像(正解画像)データの組からなる学習データに対して、一般に以下の式(3)で表される目的関数を最小化することで行われる。
本実施形態では、色相分布の偏りのない好適な教師画像群を生成する手法について説明する。前述のとおり、効果的な深層学習のためには、教師画像のデータ量が十分なだけでは足りず、色相分布が一様である教師画像群を用意することが重要となる。大量の教師画像を得るために、形状や色が様々な、あらゆる被写体のサンプル画像(元画像)を収集しても、通常は教師画像群の色相分布には偏りが生じる。このような教師画像群を用いた学習によって得られた学習済みモデル(デモザイクネットワーク)を用いてRAW画像をデモザイクした場合、本来は存在しないはずの偽パターンが、デモザイク後のRGB画像に発生することがある。そこで、本実施形態では、用意されたサンプル画像群において色相分布が疎な部分を特定し、当該疎な部分を埋めるようなCG画像を生成して補うことで、色相分布の一様な教師画像群を得る態様を説明する。なお、RAW画像とは、一つの画素位置に一色分のカラーフィルタが取り付けられている単板撮像素子で撮像された、リニア色空間の画像を意味する。また、偽パターンは、カラーフィルタ配列に相関を持つパターン模様のことである。
図1は、本実施形態に係る情報処理システムの構成の一例を示す図である。 図1に示す情報処理システムでは、学習データの生成及びデモザイク学習を担うクラウドサーバ200とデモザイク推論を担うクライアントPC100とがインターネットを介して接続されている。
本実施形態のクライアントPC100は、撮像装置から入力されるRAW画像(モザイク画像)に対し、クラウドサーバ200から提供される学習済みネットワークパラメータを適用してデモザイク推論を行う画像処理装置である。ユーザは、クライアントPC100にインストールされた画像処理アプリケーションを利用して、モザイク画像であるRAW画像をデモザイクしてRGBの3チャネルから成る画像(RGB画像)を得る。クライアントPC100は、CPU101、RAM102、ROM103、大容量記憶装置104、汎用インタフェース(I/F)105、ネットワークI/F106を有し、各構成要素がシステムバス107によって相互に接続されている。また、クライアントPC100は、汎用I/F105を介して、デジタルカメラ10、入力装置20、外部記憶装置30及び表示装置40にも接続されている。
本実施形態のクラウドサーバ200は、インターネット上でクラウドサービスを提供するサーバ装置である。より詳細には、学習データの生成及びデモザイク学習を行って、学習結果(学習済みモデル)としてのネットワークパラメータを、クライアントPC100からのリクエストに応じて提供する。クラウドサーバ200は、CPU201、ROM202、RAM203、大容量記憶装置204及びネットワークI/F205を有し、各構成要素がシステムバス206によって相互に接続されている。CPU201は、ROM202に記憶された制御プログラムを読み出して各種処理を実行することで、全体の動作を制御する。RAM203は、CPU201の主メモリ、ワークエリア等の一時記憶領域として用いられる。大容量記憶装置204は、画像データや各種プログラムを記憶するHDDやSSD等の大容量の二次記憶装置である。ネットワークI/F205は、インターネットに接続するためのインタフェースであり、クライアントPC100のウェブブラウザからのリクエストに応じて上述のネットワークパラメータを提供する。
次に、本実施形態の情報処理システムで行われる各種処理について説明する。図2は情報処理システム全体の機能ブロック図、図3は情報処理システムにおける処理の流れを示すフローチャートである。図2に示す通り、クライアントPC100は、デモザイク推論部111を有する。また、クラウドサーバ200は、補填画像生成部211、データセット生成部212及びデモザイク学習部213を有する。図2に示す各機能部は、それぞれの機能部に対応するコンピュータプログラムをCPU101/201が実行することで実現される。ただし、図2に示す機能部の全部あるいは一部をハードウェアで実装してもよい。以下、図3のフローに沿って説明する。なお、以下の説明において記号「S」はステップを意味する。
続いて、前述のS302における補填画像生成処理について説明する。本実施形態では、入力された教師画像群に含まれる各教師画像の色相を解析して色相ヒストグラムを求め、出現頻度の少ない色相を補うようなCG画像を作成する例を説明する。図5は、本実施形態に係る、補填画像生成部211の内部構成を示すブロック図である。図5に示す通り、補填画像生成部211は、解析部501とCG画像生成部502とを有する。さらに、CG画像生成部502は、オブジェクト選択部511、オブジェクトデータ格納部512、CG描画部513を備える。図6は、本実施形態に係る、補填画像生成処理の詳細を示すフローチャートである。以下、補填画像生成部211の動作について、図6のフローに沿って説明する。
続いて、デモザイク学習部213におけるデモザイク学習について説明する。学習には、例えば非特許文献1に開示されているCNNを用いる。図10は、CNNの構造と学習の流れを説明する図である。以下、図10を参照して、デモザイク学習について詳しく説明する。
なお、本実施形態では、入力教師画像群に含まれる全ての教師画像を対象に解析を行ってその色相分布における疎の部分を埋めるCG画像を生成したが、これに限定されない。例えば、入力教師画像群に含まれる一部の教師画像のみを用いて解析を行って疎の部分を埋めるCG画像を生成してもよい。
実施形態1では、オブジェクトデータに基づいて生成したCG画像を新たな教師画像として入力教師画像群に加えることで、色相分布が一様な教師画像群を得る態様を説明した。次に、入力教師画像群に含まれる教師画像を加工して得られた画像を新たな教師画像として加えることで、色相分布が一様な教師画像群を得る態様を、実施形態2として説明する。なお、情報処理システムの基本構成など実施形態1と共通する内容について説明を省略し、以下では差異点を中心に説明するものとする。
本発明は、上述の実施形態の1以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける1つ以上のプロセッサーがプログラムを読出し実行する処理でも実現可能である。また、1以上の機能を実現する回路(例えば、ASIC)によっても実現可能である。
Claims (20)
- ネットワークを用いた学習データを生成する情報処理装置であって、
RGBの3チャネルから成る教師画像で構成される教師画像群を取得する取得手段と、
前記取得手段が取得した前記教師画像群に含まれる教師画像の分布特性を解析する解析手段と、
前記解析の結果に基づき、分布特性が一様な教師画像群を生成する生成手段と、
を備え、
前記分布特性は、色の三属性のうち少なくとも1つの属性についての分布を表す、
ことを特徴とする情報処理装置。 - 前記解析手段は、前記分布特性として、前記取得手段が取得した前記教師画像群に含まれる各教師画像の色相分布を解析し、
前記生成手段は、前記取得手段が取得した前記教師画像群に基づき、色相分布が一様な教師画像群を生成する、
ことを特徴とする請求項1に記載の情報処理装置。 - 前記解析手段は、前記分布特性として、前記取得手段が取得した前記教師画像群に含まれる各教師画像の輝度分布を解析し、
前記生成手段は、前記取得手段が取得した前記教師画像群に基づき、輝度分布が一様な教師画像群を生成する、
ことを特徴とする請求項1に記載の情報処理装置。 - 前記解析手段は、前記分布特性として、前記取得手段が取得した前記教師画像群に含まれる各教師画像の彩度分布を解析し、
前記生成手段は、前記取得手段が取得した前記教師画像群に基づき、彩度分布が一様な教師画像群を生成する、
ことを特徴とする請求項1に記載の情報処理装置。 - 前記生成手段は、前記取得手段が取得した前記教師画像群に対し、その分布特性における疎の部分を埋める画像を追加することで、分布特性が一様な教師画像群を生成する、
ことを特徴とする請求項1乃至4のいずれか1項に記載の情報処理装置。 - 前記生成手段は、前記取得手段が取得した前記教師画像群に対し、その分布特性における密の部分に対応する教師画像を間引くことで、分布特性が一様な教師画像群を生成する、
ことを特徴とする請求項1乃至4のいずれか1項に記載の情報処理装置。 - 前記疎の部分を埋める画像は、前記解析によって得られた分布特性において出現頻度の少ない属性値を持つ画素とそれ以外の属性値を持つ画素とから成る画像であることを特徴とする請求項5に記載の情報処理装置。
- 前記疎の部分を埋める画像は、所定のオブジェクトを描画することで得られるCG画像であり、
前記生成手段は、前記所定のオブジェクトに対応する形状情報に基づき前記CG画像を生成して、前記追加を行う、
ことを特徴とする請求項7に記載の情報処理装置。 - 前記形状情報で特定されるオブジェクトは、略同じ画素値を持つ連結領域を少なくとも1つ以上含み、各連結領域のサイズはCNNのフィルタサイズよりも大きく、全連結領域の色相ヒストグラムの形状が双峰性である、ことを特徴とする請求項8に記載の情報処理装置。
- 前記所定のオブジェクトは、図形、記号、文字、繰り返しパターンのいずれか1つ以上を含むことを特徴とする請求項9に記載の情報処理装置。
- 前記生成手段は、生成したCG画像が所定の条件を満たさない場合、他のCG画像と統合して前記所定の条件を満たすCG画像を生成することを特徴とする請求項7乃至10のいずれか1項に記載の情報処理装置。
- 前記所定の条件は、生成したCG画像における異なる属性値を持つ2種類の画素それぞれが占める面積の割合が、一定割合を超えている場合であることを特徴とする請求項11に記載の情報処理装置。
- 前記生成手段は、前記取得手段が取得した前記教師画像群に含まれる教師画像の総数に対するCG画像の数の割合が一定になるように、CG画像を生成することを特徴とする請求項8乃至12のいずれか1項に記載の情報処理装置。
- 前記疎の部分を埋める画像は、前記取得手段が取得した前記教師画像群から抽出された特定の教師画像に対して所定の加工を行って得られた画像であることを特徴とする請求項7に記載の情報処理装置。
- 前記生成手段は、前記所定の加工として、前記特定の教師画像に対して二値化処理を行って二値画像を生成し、前記二値画像を構成する各画素について、黒画素と白画素とで異なる属性値を与える処理を行う、ことを特徴とする請求項14に記載の情報処理装置。
- 前記生成手段が生成した、分布特性が一様な教師画像群に基づき、教師画像と生徒画像との組で構成されるデータセットを生成する手段と、
生成された前記データセットを用いて、前記ネットワークを用いた学習を行う手段と、
をさらに備えたことを特徴とする請求項1乃至15のいずれか1項に記載の情報処理装置。 - 前記ネットワークは、畳み込みニューラルネットワークを用いたネットワークであることを特徴とする請求項16に記載の情報処理装置。
- 現像の対象となるRAW画像を取得する手段と、
前記RAW画像に対して、前記学習によって得られた学習済みデモザイクネットワークを用いた推論によるデモザイクを行って、RGBの3チャネルから成るRGB画像を生成する手段と、
をさらに備えたことを特徴とする、請求項16又は17に記載の情報処理装置。 - ネットワークを用いた学習データを生成する情報処理方法であって、
RGBの3チャネルから成る教師画像で構成される教師画像群を取得する取得ステップと、
前記取得ステップにて取得した前記教師画像群に含まれる教師画像の分布特性を解析する解析ステップと、
前記解析の結果に基づき、分布特性が一様な教師画像群を生成する生成ステップと、
を含み、
前記分布特性は、色の三属性のうち少なくとも1つの属性についての分布を表す、
ことを特徴とする情報処理方法。 - コンピュータを請求項1乃至18のいずれか1項に記載の情報処理装置として機能させるためのプログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020091353A JP7463186B2 (ja) | 2020-05-26 | 2020-05-26 | 情報処理装置、情報処理方法及びプログラム |
US17/245,393 US20210374527A1 (en) | 2020-05-26 | 2021-04-30 | Information processing apparatus, information processing method, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020091353A JP7463186B2 (ja) | 2020-05-26 | 2020-05-26 | 情報処理装置、情報処理方法及びプログラム |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2021189527A true JP2021189527A (ja) | 2021-12-13 |
JP2021189527A5 JP2021189527A5 (ja) | 2023-05-17 |
JP7463186B2 JP7463186B2 (ja) | 2024-04-08 |
Family
ID=78704683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020091353A Active JP7463186B2 (ja) | 2020-05-26 | 2020-05-26 | 情報処理装置、情報処理方法及びプログラム |
Country Status (2)
Country | Link |
---|---|
US (1) | US20210374527A1 (ja) |
JP (1) | JP7463186B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114429787A (zh) * | 2021-12-30 | 2022-05-03 | 北京百度网讯科技有限公司 | 组学数据处理方法、装置、电子设备和存储介质 |
WO2023190473A1 (ja) * | 2022-03-28 | 2023-10-05 | ソニーセミコンダクタソリューションズ株式会社 | 画像処理装置および画像処理方法、画像変換装置および画像変換方法、aiネットワーク生成装置およびaiネットワーク生成方法、並びにプログラム |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013162347A (ja) | 2012-02-06 | 2013-08-19 | Sony Corp | 画像処理装置、画像処理方法、プログラム、および装置 |
US9996771B2 (en) * | 2016-02-15 | 2018-06-12 | Nvidia Corporation | System and method for procedurally synthesizing datasets of objects of interest for training machine-learning models |
CN110008783A (zh) | 2018-01-04 | 2019-07-12 | 杭州海康威视数字技术股份有限公司 | 基于神经网络模型的人脸活体检测方法、装置及电子设备 |
US10936905B2 (en) * | 2018-07-06 | 2021-03-02 | Tata Consultancy Services Limited | Method and system for automatic object annotation using deep network |
CN110781913B (zh) | 2019-09-11 | 2023-05-30 | 西安电子科技大学 | 一种拉链布带缺陷检测方法 |
JP7353198B2 (ja) * | 2020-02-06 | 2023-09-29 | 株式会社日立ハイテク | 計算機、識別器の学習方法、および分析システム |
-
2020
- 2020-05-26 JP JP2020091353A patent/JP7463186B2/ja active Active
-
2021
- 2021-04-30 US US17/245,393 patent/US20210374527A1/en active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114429787A (zh) * | 2021-12-30 | 2022-05-03 | 北京百度网讯科技有限公司 | 组学数据处理方法、装置、电子设备和存储介质 |
WO2023190473A1 (ja) * | 2022-03-28 | 2023-10-05 | ソニーセミコンダクタソリューションズ株式会社 | 画像処理装置および画像処理方法、画像変換装置および画像変換方法、aiネットワーク生成装置およびaiネットワーク生成方法、並びにプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP7463186B2 (ja) | 2024-04-08 |
US20210374527A1 (en) | 2021-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9697416B2 (en) | Object detection using cascaded convolutional neural networks | |
CN111402146B (zh) | 图像处理方法以及图像处理装置 | |
US9344690B2 (en) | Image demosaicing | |
KR20210139450A (ko) | 이미지 디스플레이 방법 및 디바이스 | |
US20110311134A1 (en) | Image masks generated from local color models | |
US20210358081A1 (en) | Information processing apparatus, control method thereof, imaging device, and storage medium | |
KR20050009694A (ko) | 브래킷된 이미지 시퀀스로부터 고 동적 범위 이미지를생성하는 시스템 및 프로세스 | |
JP2020191046A (ja) | 画像処理装置、画像処理方法、及びプログラム | |
WO2023005818A1 (zh) | 噪声图像生成方法、装置、电子设备及存储介质 | |
JP7463186B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
US20220414827A1 (en) | Training apparatus, training method, and medium | |
WO2019210707A1 (zh) | 一种图像清晰度评测方法、装置及电子设备 | |
Meng et al. | Gia-net: Global information aware network for low-light imaging | |
Chen et al. | Focus manipulation detection via photometric histogram analysis | |
CN114187515A (zh) | 图像分割方法和图像分割装置 | |
KR20200092492A (ko) | 의미 인식 기반의 이미지 보정 방법 및 그를 위한 장치 | |
CN116980549A (zh) | 视频帧处理方法、装置、计算机设备和存储介质 | |
US20220414826A1 (en) | Image processing apparatus, image processing method, and medium | |
CN116469172A (zh) | 一种多时间尺度下的骨骼行为识别视频帧提取方法及系统 | |
Buzzelli et al. | Consensus-driven illuminant estimation with GANs | |
CN109242793A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
Yuan et al. | Color image quality assessment with multi deep convolutional networks | |
US20220092357A1 (en) | Information processing apparatus, information processing method, and storage medium | |
US11995153B2 (en) | Information processing apparatus, information processing method, and storage medium | |
JP2022150562A (ja) | 画像処理装置、画像処理方法およびプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230509 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230509 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231219 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240214 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240227 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240327 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7463186 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |