JP7274367B2 - フレームレート変換モデル学習装置およびフレームレート変換装置、ならびに、それらのプログラム - Google Patents
フレームレート変換モデル学習装置およびフレームレート変換装置、ならびに、それらのプログラム Download PDFInfo
- Publication number
- JP7274367B2 JP7274367B2 JP2019122975A JP2019122975A JP7274367B2 JP 7274367 B2 JP7274367 B2 JP 7274367B2 JP 2019122975 A JP2019122975 A JP 2019122975A JP 2019122975 A JP2019122975 A JP 2019122975A JP 7274367 B2 JP7274367 B2 JP 7274367B2
- Authority
- JP
- Japan
- Prior art keywords
- frame rate
- image patch
- video
- learning
- frame
- 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.)
- Active
Links
Images
Landscapes
- Television Systems (AREA)
- Controls And Circuits For Display Device (AREA)
Description
例えば、フレームレートを変換する手法として0次ホールド法が知られている。0次ホールド法は、低フレームレートの映像を高フレームレートの映像に変換(例えば、60fps〔フレーム毎秒〕の映像を120fpsに変換)する場合、過去の標本位置の信号値を保持し、同一フレームを単純に複数回連続させる。高フレームレートの映像を低フレームレートの映像に変換(例えば、120fpsの映像を60fpsに変換)する場合、0次ホールド法では、フレームの間引き処理を行う。
逆に、低フレームレートの映像を高フレームレートの映像に変換する手法としては、フレーム間の動き補正によって内挿画像を生成し、フレーム間に内挿する手法も知られている。
さらに、高フレームレートの映像を低フレームレートの映像に変換する手法としては、複数フレームを平均化して1枚のフレームを生成する手法も知られている。
また、0次ホールド法は、高フレームレートの映像を低フレームレートの映像に変換する場合、フレームを単に間引くだけであるため、ジャーキネスが目立ってしまう場合があるという問題がある。
また、動き補正によって内挿画像を生成する手法は、動き検出の誤りによって、画質が低下してしまう場合があるという問題がある。
また、複数フレームを平均化する手法は、二重像が発生してしまい、動きぼやけが大きくなってしまうという問題がある。
このように、第1画像パッチ切り出し手段および第2画像パッチ切り出し手段は、画像パッチ単位で、モデルを学習するための画像を切り出すため、1枚のフレームから数多くのパターンの画像を取得することができる。
そして、フレームレート変換モデル学習装置は、学習手段によって、第1画像パッチ切り出し手段で順次切り出された画像パッチを、第2画像パッチ切り出し手段で順次切り出された数の画像パッチに変換するようにモデルを学習する。
そして、フレームレート変換装置は、ニューラルネットワーク演算手段によって、学習済のモデルを用いて、第3画像パッチ切り出し手段で切り出された画像パッチを、フレームレート変換の倍率に対応した数の画像パッチに変換する。例えば、倍率が2倍であれば、変換後の画像パッチの数は2となる。
そして、フレームレート変換装置は、画像パッチ再構成手段によって、ニューラルネットワーク演算手段で順次変換された画像パッチを再構成してフレームを生成する。
そして、フレームレート変換装置は、フレーム挿入手段によって、画像パッチ再構成手段で生成されたフレームを変換前の映像に挿入する。
そして、フレームレート変換モデル学習装置は、学習手段によって、第2画像パッチ切り出し手段で切り出された数の画像パッチを、第1画像パッチ切り出し手段で切り出された画像パッチに変換するようにモデルを学習する。
そして、フレームレート変換装置は、ニューラルネットワーク演算手段によって、学習済のモデルを用いて、第3画像パッチ切り出し手段で切り出された倍率の逆数に対応した数の画像パッチを、1つの画像パッチに変換する。
そして、フレームレート変換装置は、画像パッチ再構成手段によって、ニューラルネットワーク演算手段で順次変換された画像パッチを再構成してフレームを生成する。
また、フレームレート変換装置は、コンピュータを、前記した手段として機能させるためのプログラムで動作させることができる。
本発明によれば、映像のフレームの予め定めた大きさの画像パッチごとに学習したニューラルネットワークを用いてフレームレート変換を行うため、フレーム間の連続性を損なうことなく、滑らかな映像を生成することができる。
≪第1実施形態≫
<モデル学習装置の構成>
まず、図1を参照して、本発明の第1実施形態に係るモデル学習装置1の構成について説明する。
ここで、パラメータを学習するために入力する学習用映像は、フレームレートが異なる2つの映像である。一方は、フレームレートが低い(例えば、60fps)学習用低フレームレート映像LVLで、他方は、学習用低フレームレート映像LVLの2倍のフレームレート(例えば、120fps)である学習用高フレームレート映像LVHである。
モデル学習装置1は、学習用低フレームレート映像LVLのフレーム(例えば、fL1)から、当該フレームと双方向に隣接する学習用高フレームレート映像LVHのフレーム(例えば、fH1,fH3)を推定するためのモデルを学習する。
もちろん、学習用低フレームレート映像LVLおよび学習用高フレームレート映像LVHは、同一の画角でフレームレートだけが異なる映像として撮影したものであっても構わない。
フレーム取り出し手段10Aは、学習用低フレームレート映像LVLから1フレームずつフレームを取り出すものである。具体的には、フレーム取り出し手段10Aは、学習用低フレームレート映像LVLから図2に示すフレームfL1,fL2,fL3,fL4,…を順次取り出す。
フレーム取り出し手段10Aは、取り出したフレームを画像パッチ切り出し手段11Aに順次出力する。
具体的には、フレーム取り出し手段10Bは、学習用高フレームレート映像LVHから図2に示すフレームfH1およびfH3,fH3およびfH5,fH5およびfH7,…と、2つの奇数フレームの対を、1枚のフレームが重なるようにフレーム順に順次取り出す。
フレーム取り出し手段10Bは、取り出した2枚のフレームをフレーム順に画像パッチ切り出し手段11Bに順次出力する。
画像パッチ切り出し手段(第1画像パッチ切り出し手段)11Aは、フレーム取り出し手段10Aが取り出した学習用低フレームレート映像LVLのフレームごとに、予め定めた大きさの横Wx画素、縦Wy画素(例えば、16×16画素)の画像パッチを順次切り出すものである。
画像パッチ切り出し手段11Aは、図3に示すように、画像パッチpの位置を順次ずらし、例えば、ラスタ走査順に位置をずらして、画像パッチを切り出す。
なお、画像パッチpの位置をずらす量は、任意の画素数でよいが、例えば、水平方向(x方向)1画素、垂直方向(y方向)1画素とする。
画像パッチ切り出し手段11Aは、切り出した画像パッチを、学習手段13に出力する。
画像パッチ切り出し手段11Bは、画像パッチ切り出し手段11Aと同じ位置および大きさの画像パッチを切り出す。
画像パッチ切り出し手段11Bは、図4に示すように、画像パッチ切り出し手段11AがフレームfLで切り出した画像パッチpLと同じ位置で、2枚のフレームfH,fHにおいて、それぞれ画像パッチpHを切り出す。
なお、画像パッチ切り出し手段11Bが切り出す2つの画像パッチは、画像パッチ切り出し手段11Aが切り出した画像パッチを高フレームレート化した際の正解データとなる。
画像パッチ切り出し手段11Bは、切り出した画像パッチを、フレームの順で誤差演算手段14に出力する。
モデル記憶手段12に記憶するモデルMHは、図5に示すように、1チャンネルの16×16画素の画像パッチpLを、2チャンネルの16×16画素の画像パッチpH,pHに変換する畳み込みニューラルネットワークのモデルである。
なお、モデルMHの構造は、1層以上の畳み込み層、活性化層等を含んだ一般的な構成とすることができる。
モデルMHのパラメータ(カーネルの結合重み係数)の初期値は、予め擬似乱数等によって設定しておく。また、モデルMHのパラメータは、学習手段13によって更新される。
学習手段13は、ニューラルネットワーク演算手段130と、誤差演算手段131と、を備える。
ニューラルネットワーク演算手段130は、演算結果として、2つの画像パッチを生成し、誤差演算手段131に出力する。
また、ニューラルネットワーク演算手段130は、誤差演算手段131から誤差を入力されるたびに、繰り返し、誤差逆伝播法によりモデルMHのパラメータを更新する。この繰り返しの回数は、予め定めた回数(例えば、100万回)であってもよいし、ニューラルネットワーク演算手段130がパラメータの変化の度合いを監視し、その変化の度合いが予め定めた閾値を下回るまでであってもよい。
誤差演算手段131は、演算した誤差を、ニューラルネットワーク演算手段130に出力する。
以上説明したように、モデル学習装置1は、画像パッチ単位の大きさで、低フレームレート映像を高フレームレート映像に変換するためのモデルを学習することができる。
なお、モデル学習装置1は、コンピュータを、前記した各手段として機能させるためのモデル学習プログラムで動作させることができる。
次に、図6を参照(構成については適宜図1参照)して、本発明の第1実施形態に係るモデル学習装置1の動作について説明する。
ステップS10において、フレーム取り出し手段10(10A,10B)は、学習用低フレームレート映像LVLおよび学習用高フレームレート映像LVHから順次フレームを取り出す。ここでは、フレーム取り出し手段10Aは、学習用低フレームレート映像LVLから1フレームずつフレームを取り出す。また、フレーム取り出し手段10Bは、学習用高フレームレート映像LVHから、重なりを設けて2フレームずつ順に奇数フレームを取り出す(図2参照)。
ステップS11において、画像パッチ切り出し手段11(11A,11B)は、画像パッチを切り出す初期位置を設定する。ここでは、画像パッチ切り出し手段11(11A,11B)は、フレームの左上座標を初期位置として設定する。
ここでは、画像パッチ切り出し手段11Aは、フレーム取り出し手段10Aで取り出されたフレームから画像パッチを切り出す。また、画像パッチ切り出し手段11Bは、フレーム取り出し手段10Bで取り出された2つフレームから、それぞれ画像パッチを切り出す。
ステップS14において、学習手段13の誤差演算手段131は、ステップS13で生成された2つの画像パッチと、ステップS12で画像パッチ切り出し手段11Bにおいて切り出された2つの画像パッチとの誤差を演算する。
ステップS15において、ニューラルネットワーク演算手段130は、誤差逆伝播法により、パラメータを更新する。
一方、まだ、学習を完了していない場合(ステップS16でNo)、ステップS17において、画像パッチ切り出し手段11(11A,11B)は、フレームからすべての画像パッチを切り出したか否かを判定する。
一方、すべての画像パッチを切り出した場合(ステップS17でYes)、ステップS19において、フレーム取り出し手段10(10A,10B)は、次のフレームが存在するか否かにより、学習用映像(学習用低フレームレート映像LVLおよび学習用高フレームレート映像LVH)の終了を判定する。
一方、学習用映像が終了した場合(ステップS19でYes)、モデル学習装置1は、動作を終了する。
以上の動作によって、モデル学習装置1は、低フレームレート映像を高フレームレート映像に変換するためのモデルを学習することができる。
次に、図7を参照して、本発明の第1実施形態に係るフレームレート変換装置2の構成について説明する。
フレームレート変換装置2は、低フレームレート映像VL(例えば、60fps)を入力し、2倍のフレームレートの高フレームレート映像VH(例えば、120fps)を出力するものとする。
フレーム取り出し手段20は、低フレームレート映像VLの奇数フレームのみを取り出し、画像パッチ切り出し手段21に出力する。
画像パッチ切り出し手段21は、フレーム取り出し手段20が取り出したフレームから、モデル学習装置1の画像パッチ切り出し手段11と同じ大きさの横Wx画素、縦Wy画素(例えば、16×16画素)の画像パッチを順次切り出す。
画像パッチ切り出し手段21は、図3に示すように、画像パッチpの位置を順次ずらし、例えば、ラスタ走査順に位置をずらして、画像パッチを切り出す。ただし、画像パッチpの位置をずらす量は、水平方向においては横Wx画素、垂直方向においては縦Wy画素とする。
画像パッチ切り出し手段21は、切り出した画像パッチを、ニューラルネットワーク演算手段23に出力する。
モデル記憶手段22に記憶するモデルMHは、図1のモデル学習装置1で学習したモデルである。
ニューラルネットワーク演算手段23は、画像パッチ切り出し手段21で切り出された画像パッチを入力し、モデルMHを用いて、畳み込みニューラルネットワークの演算を行うことで、フレームレート変換の倍率に対応した数の2つの画像パッチを生成する。
ニューラルネットワーク演算手段23は、生成した2つの画像パッチを、順次、画像パッチ再構成手段24に出力する。
画像パッチ再構成手段24は、2つの画像パッチを、それぞれ、順次、切り出した位置と同じ位置に配置することで、2枚のフレームを生成する。
画像パッチ再構成手段24は、生成した2枚のフレームを、フレーム挿入手段25に出力する。
具体的には、フレーム挿入手段25は、図8に示すように、画像パッチ再構成手段24で順次生成されるフレームfH1,fH3,fH5,fH7,…を、低フレームレート映像VLの奇数フレームfL1,fL3,…の前後に挿入する。
これによって、フレーム挿入手段25は、高フレームレート映像VHを生成することができる。このとき、低フレームレート映像VLのフレームfL1,fL2,fL3,fL4,…は、高フレームレート映像VHの偶数フレームfH2,fH4,fH6,fH8,…として、そのまま利用される。
フレーム挿入手段25は、高フレームレート映像VHを、低フレームレート映像VLのフレームレート変換後の映像として出力する。
なお、フレームレート変換装置2は、コンピュータを、前記した各手段として機能させるためのフレームレート変換プログラムで動作させることができる。
次に、図9を参照(構成については適宜図7参照)して、本発明の第1実施形態に係るフレームレート変換装置2の動作について説明する。
ステップS20において、フレーム取り出し手段20は、低フレームレート映像VLから順次フレームを取り出す。ここでは、フレーム取り出し手段20は、低フレームレート映像VLの奇数フレームのみを取り出す。
ステップS21において、画像パッチ切り出し手段21は、画像パッチを切り出す初期位置を設定する。ここでは、画像パッチ切り出し手段21は、フレームの左上座標を初期位置として設定する。
ステップS23において、ニューラルネットワーク演算手段23は、モデルMHを用いて、ステップS22で切り出された画像パッチに対して、畳み込みニューラルネットワークの演算を行い、2つの画像パッチを生成する。
ステップS24において、画像パッチ切り出し手段21は、フレームからすべての画像パッチを切り出したか否かを判定する。
一方、すべての画像パッチを切り出した場合(ステップS24でYes)、ステップS26において、画像パッチ再構成手段24は、ステップS23で生成された2つの画像パッチを順次入力し、それぞれの画像パッチを切り出した位置と同じ位置に配置して、2枚のフレームを生成する。
これによって、ステップS20で順次取り出した奇数フレームの時間方向で前後するフレームを生成することができる。
ステップS28において、フレーム挿入手段25は、低フレームレート映像VLのすべてのフレームの入力が終了したか否かを判定する。
一方、低フレームレート映像VLのすべてのフレームの入力が終了した場合(ステップS28でYes)、フレームレート変換装置2は、動作を終了する。
以上の動作によって、フレームレート変換装置2は、低フレームレート映像を高フレームレート映像に変換することができる。
<モデル学習装置の構成>
次に、図10を参照して、本発明の第2実施形態に係るモデル学習装置1Bの構成について説明する。
なお、パラメータを学習するために入力する学習用映像は、図1で説明したモデル学習装置1で使用する学習用低フレームレート映像LVLおよび学習用高フレームレート映像LVHを用いることができる。
フレーム取り出し手段10および画像パッチ切り出し手段11は、図1で説明したモデル学習装置1と同じ構成であるため、説明を省略する。
モデル記憶手段12Bに記憶するモデルMLは、図11に示すように、2チャンネルの16×16画素の画像パッチpH,pHを、1チャンネルの16×16画素の画像パッチpLに変換する畳み込みニューラルネットワークのモデルである。
なお、モデルMLの構造は、1層以上の畳み込み層、活性化層等を含んだ一般的な構成とすることができる。
モデルMLのパラメータ(カーネルの結合重み係数)の初期値は、予め擬似乱数等によって設定しておく。また、モデルMLのパラメータは、学習手段13Bによって更新される。
学習手段13Bは、ニューラルネットワーク演算手段130Bと、誤差演算手段131Bと、を備える。
ニューラルネットワーク演算手段130Bは、演算結果として、1つの画像パッチを生成し、誤差演算手段131Bに出力する。
また、ニューラルネットワーク演算手段130Bは、誤差演算手段131Bから誤差を入力されるたびに、繰り返し、誤差逆伝播法によりモデルMLのパラメータを更新する。この繰り返しの回数は、予め定めた回数(例えば、100万回)であってもよいし、ニューラルネットワーク演算手段130Bがパラメータの変化の度合いを監視し、その変化の度合いが予め定めた閾値を下回るまでであってもよい。
誤差演算手段131Bは、演算した誤差を、ニューラルネットワーク演算手段130Bに出力する。
なお、モデル学習装置1Bは、コンピュータを、前記した各手段として機能させるためのモデル学習プログラムで動作させることができる。
次に、図12を参照して、本発明の第2実施形態に係るフレームレート変換装置2Bの構成について説明する。
フレームレート変換装置2Bは、高フレームレート映像VH(例えば、120fps)を入力し、1/2倍のフレームレートの低フレームレート映像VL(例えば、60fps)を出力するものとする。
ここでは、フレームレート変換装置2Bは、図13に示すように、高フレームレート映像VHの奇数番目のフレーム(fH1,fH3,fH5,fH7,…)から、低フレームレート映像VLのフレーム(fL1,fL2,fL3,…)を推定する。
フレーム取り出し手段20Bは、取り出した2枚のフレームをフレーム順に画像パッチ切り出し手段21Bに順次出力する。
画像パッチ切り出し手段21Bは、フレーム取り出し手段20Bが取り出したフレーム対のそれぞれのフレームから、モデル学習装置1Bの画像パッチ切り出し手段11と同じ大きさの横Wx画素、縦Wy画素(例えば、16×16画素)の2つの画像パッチを順次切り出す。
画像パッチ切り出し手段21Bは、図3に示すように、画像パッチpの位置を順次ずらし、例えば、ラスタ走査順に位置をずらして、画像パッチを切り出す。ただし、画像パッチpの位置をずらす量は、水平方向においては横Wx画素、水平方向においては縦Wy画素とする。
画像パッチ切り出し手段21Bは、切り出した2つの画像パッチを、ニューラルネットワーク演算手段23Bに出力する。
モデル記憶手段22Bに記憶するモデルMLは、図10のモデル学習装置1Bで学習したモデルである。
ニューラルネットワーク演算手段23Bは、画像パッチ切り出し手段21Bで切り出された2つの画像パッチを入力し、モデルMLを用いて、畳み込みニューラルネットワークの演算を行うことで、1つの画像パッチを生成する。
ニューラルネットワーク演算手段23Bは、生成した画像パッチを、順次、画像パッチ再構成手段24Bに出力する。
画像パッチ再構成手段24Bは、画像パッチを、順次、切り出した位置と同じ位置に配置することでフレームを生成する。
画像パッチ再構成手段24Bは、順次生成するフレームを、低フレームレート映像VLのフレームとして出力する。
なお、フレームレート変換装置2Bは、コンピュータを、前記した各手段として機能させるためのフレームレート変換プログラムで動作させることができる。
ここでは、映像を2倍のフレームレートに変換するために、モデル学習装置1は、図2に示すように、学習用低フレームレート映像LVLのフレームを、学習用高フレームレート映像LVHの偶数フレームとして、前後に隣接する双方向のフレームを推定するようにモデルを学習した。
また、その逆に、映像を1/2倍のフレームレートに変換するために、前後の双方向のフレームからその間のフレームを推定するようにモデルを学習した。
このように、本実施形態では、1枚のフレームから双方向のフレーム、あるいは、双方向のフレームからその間のフレームを推定するモデルを学習し、フレームレート変換を行うこととした。
しかし、フレームレート変換を行う場合、1枚のフレームから片方向のフレームを推定したり、片方向のフレームから1つフレームを推定したりしてもよい。
図14に示すように、学習用高フレームレート映像LVHのフレームを、fH1,fH2,fH3,fH4,…としたとき、学習用高フレームレート映像LVHの奇数フレームであるfH1,fH3,fH5,…を抽出し、学習用低フレームレート映像LVL(fL1,fL2,…)とする。
そして、図7に示したフレームレート変換装置2のフレーム挿入手段25は、画像パッチ再構成手段24で生成された2枚のフレームのうち、最初のフレームを偶数フレームとして、低フレームレート映像に挿入すればよい。
これによって、フレームレート変換装置2は、低フレームレート映像を高フレームレート映像に変換することができる。
そして、図12に示したフレームレート変換装置2Bのフレーム取り出し手段20Bは、高フレームレート映像VHの偶数フレームとそれに連続するフレームとのフレーム対を順次取り出す。
これによって、フレームレート変換装置2Bは、高フレームレート映像を低フレームレート映像に変換することができる。
しかし、学習用低フレームレート映像LVLの1枚のフレームと、学習用高フレームレート映像LVHの3枚以上のフレームとの関係性から、3倍以上または1/3倍以下のフレームレート変換を行うモデルを学習し、フレームレート変換を行うこととしてもよい。
そして、モデル学習装置1,1Bは、学習用低フレームレート映像LVLの1枚のフレームと、学習用高フレームレート映像LVHの3枚のフレームとの関係性から、モデルMH,MLを学習すればよい。また、フレームレート変換装置2は、学習したモデルMHを用いて、低フレームレート映像を3倍にレート変換し、フレームレート変換装置2Bは、学習したモデルMLを用いて、高フレームレート映像を1/3倍にレート変換することができる。
10A,10B フレーム取り出し手段
11A 画像パッチ切り出し手段(第1画像パッチ切り出し手段)
11B 画像パッチ切り出し手段(第2画像パッチ切り出し手段)
12,12B モデル記憶手段
13,13B 学習手段
130,130B ニューラルネットワーク演算手段
131,131B 誤差演算手段
2,2B フレームレート変換装置
20,20B フレーム取り出し手段
21,21B 画像パッチ切り出し手段(第3画像パッチ切り出し手段)
22,22B モデル記憶手段
23,23B ニューラルネットワーク演算手段
24,24B 画像パッチ再構成手段
25 フレーム挿入手段
Claims (6)
- 映像のフレームレートを前記映像よりも高いフレームレートに変換するためのニューラルネットワークのモデルを学習するフレームレート変換モデル学習装置であって、
予め定めた低フレームレートの学習用映像である学習用低フレームレート映像のフレームごとに、予め定めた大きさの画像パッチを順次位置をずらしながら切り出す第1画像パッチ切り出し手段と、
前記学習用低フレームレート映像に対するフレームレート変換の倍率に対応した学習用高フレームレート映像から、前記倍率に対応した数のフレームごとに、前記画像パッチと同じ位置および大きさの画像パッチを順次切り出す第2画像パッチ切り出し手段と、
前記第1画像パッチ切り出し手段で順次切り出された画像パッチを、前記第2画像パッチ切り出し手段で順次切り出された数の画像パッチに変換するように前記モデルを学習する学習手段と、
を備えることを特徴とするフレームレート変換モデル学習装置。 - 請求項1に記載のフレームレート変換モデル学習装置で学習されたニューラルネットワークのモデルを用いて、映像のフレームレートを前記映像よりも高いフレームレートに変換するフレームレート変換装置であって、
前記フレームレート変換モデル学習装置への入力となる予め定めた大きさの画像パッチを、前記映像のフレームごとに順次切り出す第3画像パッチ切り出し手段と、
前記モデルを用いて、前記第3画像パッチ切り出し手段で順次切り出された画像パッチを、フレームレート変換の倍率に対応した数の画像パッチに変換するニューラルネットワーク演算手段と、
前記ニューラルネットワーク演算手段で順次変換された画像パッチを再構成してフレームを生成する画像パッチ再構成手段と、
前記画像パッチ再構成手段で生成されたフレームを前記映像に挿入するフレーム挿入手段と、
を備えることを特徴とするフレームレート変換装置。 - 映像のフレームレートを前記映像よりも低いフレームレートに変換するためのニューラルネットワークのモデルを学習するフレームレート変換モデル学習装置であって、
予め定めた低フレームレートの学習用映像である学習用低フレームレート映像のフレームごとに、予め定めた大きさの画像パッチを順次位置をずらしながら切り出す第1画像パッチ切り出し手段と、
前記学習用低フレームレート映像に対するフレームレート変換の倍率の逆数に対応した学習用高フレームレート映像から、前記倍率の逆数に対応した数のフレームごとに、前記画像パッチと同じ位置および大きさの画像パッチを順次切り出す第2画像パッチ切り出し手段と、
前記第2画像パッチ切り出し手段で順次切り出された数の画像パッチを、前記第1画像パッチ切り出し手段で順次切り出された画像パッチに変換するように前記モデルを学習する学習手段と、
を備えることを特徴とするフレームレート変換モデル学習装置。 - 請求項3に記載のフレームレート変換モデル学習装置で学習されたニューラルネットワークのモデルを用いて、映像のフレームレートを前記映像よりも低いフレームレートに変換するフレームレート変換装置であって、
前記フレームレート変換モデル学習装置への入力となる予め定めた大きさの画像パッチを、フレームレート変換の倍率の逆数に対応した数のフレームごとに順次切り出す第3画像パッチ切り出し手段と、
前記モデルを用いて、前記第3画像パッチ切り出し手段で順次切り出された前記倍率の逆数に対応した数の画像パッチを、1つの画像パッチに変換するニューラルネットワーク演算手段と、
前記ニューラルネットワーク演算手段で順次変換された画像パッチを再構成してフレームを生成する画像パッチ再構成手段と、
を備えることを特徴とするフレームレート変換装置。 - コンピュータを、請求項1または請求項3に記載のフレームレート変換モデル学習装置として機能させるためのフレームレート変換モデル学習プログラム。
- コンピュータを、請求項2または請求項4に記載のフレームレート変換装置として機能させるためのフレームレート変換プログラム
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019122975A JP7274367B2 (ja) | 2019-07-01 | 2019-07-01 | フレームレート変換モデル学習装置およびフレームレート変換装置、ならびに、それらのプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019122975A JP7274367B2 (ja) | 2019-07-01 | 2019-07-01 | フレームレート変換モデル学習装置およびフレームレート変換装置、ならびに、それらのプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021010109A JP2021010109A (ja) | 2021-01-28 |
JP7274367B2 true JP7274367B2 (ja) | 2023-05-16 |
Family
ID=74200112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019122975A Active JP7274367B2 (ja) | 2019-07-01 | 2019-07-01 | フレームレート変換モデル学習装置およびフレームレート変換装置、ならびに、それらのプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7274367B2 (ja) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000244879A (ja) | 1999-02-22 | 2000-09-08 | Sony Corp | 画像情報変換装置および方法 |
JP2000324496A (ja) | 1999-05-07 | 2000-11-24 | Sony Corp | フィールド周波数変換装置および変換方法 |
JP2002199349A5 (ja) | 2000-12-25 | 2007-04-12 | ||
JP2010062953A (ja) | 2008-09-04 | 2010-03-18 | Japan Science & Technology Agency | フレームレート変換装置、フレームレート変換方法及びフレームレート変換プログラム |
JP2014194706A (ja) | 2013-03-29 | 2014-10-09 | Sony Corp | 画像処理装置、画像処理方法、及び、プログラム |
JP2017062279A (ja) | 2015-09-24 | 2017-03-30 | キヤノン株式会社 | 画像処理装置および画像処理方法 |
WO2018123202A1 (ja) | 2016-12-28 | 2018-07-05 | シャープ株式会社 | 動画像処理装置、表示装置、動画像処理方法、および制御プログラム |
WO2018230294A1 (ja) | 2017-06-15 | 2018-12-20 | シャープ株式会社 | 動画像処理装置、表示装置、動画像処理方法、および制御プログラム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4483085B2 (ja) | 2000-12-25 | 2010-06-16 | ソニー株式会社 | 学習装置、適用装置、学習方法および適用方法 |
-
2019
- 2019-07-01 JP JP2019122975A patent/JP7274367B2/ja active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000244879A (ja) | 1999-02-22 | 2000-09-08 | Sony Corp | 画像情報変換装置および方法 |
JP2000324496A (ja) | 1999-05-07 | 2000-11-24 | Sony Corp | フィールド周波数変換装置および変換方法 |
JP2002199349A5 (ja) | 2000-12-25 | 2007-04-12 | ||
JP2010062953A (ja) | 2008-09-04 | 2010-03-18 | Japan Science & Technology Agency | フレームレート変換装置、フレームレート変換方法及びフレームレート変換プログラム |
JP2014194706A (ja) | 2013-03-29 | 2014-10-09 | Sony Corp | 画像処理装置、画像処理方法、及び、プログラム |
JP2017062279A (ja) | 2015-09-24 | 2017-03-30 | キヤノン株式会社 | 画像処理装置および画像処理方法 |
WO2018123202A1 (ja) | 2016-12-28 | 2018-07-05 | シャープ株式会社 | 動画像処理装置、表示装置、動画像処理方法、および制御プログラム |
WO2018230294A1 (ja) | 2017-06-15 | 2018-12-20 | シャープ株式会社 | 動画像処理装置、表示装置、動画像処理方法、および制御プログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2021010109A (ja) | 2021-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5534299B2 (ja) | 動き補償において周期的構造に対処する方法および装置 | |
JPH08275116A (ja) | インタレースされたビデオフレームシーケンスを順次走査シーケンスに変換する手段および装置 | |
JP2007181674A (ja) | ブロック整合及び動き補償補間を利用した映像形成方法 | |
KR20020086536A (ko) | 블록 기반 움직임 보상의 정밀도를 향상시키기 위한 방법 | |
US8253854B2 (en) | Image processing method and system with repetitive pattern detection | |
KR102244187B1 (ko) | 예외적 움직임에 강인한 비디오 프레임 보간 방법 및 그 장치 | |
US6930728B2 (en) | Scan conversion apparatus | |
US20060222266A1 (en) | Method of and apparatus for forming a final image sequence | |
CN114339030A (zh) | 一种基于自适应可分离卷积的网络直播视频稳像方法 | |
US8149913B2 (en) | Moving picture converting apparatus and method, and computer program | |
JP5364264B2 (ja) | ニューラルネットワークを用いたブロック性欠陥の位置検出 | |
CN113850718A (zh) | 一种基于帧间特征对齐的视频同步时空超分方法 | |
JP4872672B2 (ja) | 学習装置と学習方法および学習プログラム | |
JP7274367B2 (ja) | フレームレート変換モデル学習装置およびフレームレート変換装置、ならびに、それらのプログラム | |
CN117333398A (zh) | 一种基于自监督的多尺度图像去噪方法及装置 | |
CN111294545B (zh) | 图像数据插值方法及装置、存储介质、终端 | |
US8879864B2 (en) | Generating sub-frame images for driving display | |
AU2004200237B2 (en) | Image processing apparatus with frame-rate conversion and method thereof | |
WO2001097510A1 (en) | Image processing system, image processing method, program, and recording medium | |
US20040239802A1 (en) | Scanning conversion apparatus and method | |
JPH1141565A (ja) | 画像データ補間装置 | |
KR100874380B1 (ko) | 변형된 소벨 연산자를 이용한 디인터레이싱 장치 및 방법, 그리고 기록매체 | |
KR20020068065A (ko) | 비디오 스캔 속도 컨버전을 위한 움직임 보상 업컨버전 | |
US7804542B2 (en) | Spatio-temporal adaptive video de-interlacing for parallel processing | |
CN113852830B (zh) | 一种中值滤波视频去隔行方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220609 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230314 |
|
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: 20230404 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230501 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7274367 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |