KR101922964B1 - 이미지 왜곡 검출을 이용한 이미지 복원 장치 및 방법 - Google Patents

이미지 왜곡 검출을 이용한 이미지 복원 장치 및 방법 Download PDF

Info

Publication number
KR101922964B1
KR101922964B1 KR1020170081482A KR20170081482A KR101922964B1 KR 101922964 B1 KR101922964 B1 KR 101922964B1 KR 1020170081482 A KR1020170081482 A KR 1020170081482A KR 20170081482 A KR20170081482 A KR 20170081482A KR 101922964 B1 KR101922964 B1 KR 101922964B1
Authority
KR
South Korea
Prior art keywords
distortion
image
data set
images
distorted
Prior art date
Application number
KR1020170081482A
Other languages
English (en)
Inventor
손경아
강병곤
안남혁
Original Assignee
아주대학교산학협력단
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 아주대학교산학협력단 filed Critical 아주대학교산학협력단
Priority to KR1020170081482A priority Critical patent/KR101922964B1/ko
Application granted granted Critical
Publication of KR101922964B1 publication Critical patent/KR101922964B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/001—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

본 발명의 기술적 사상에 의한 일 양태에 따른 이미지 복원 방법은 왜곡된 이미지를 생성하여, 이미지 왜곡 분류 및 검출과 관련된 왜곡 데이터 세트를 생성하는 단계, 상기 생성된 왜곡 데이터 세트를 이용하여, 이미지 왜곡을 검출하기 위한 컨볼루션 뉴럴 네트워크(Convolutional Neural Network)를 미세 조정하는 단계 및 상기 미세 조정된 컨볼루션 뉴럴 네트워크를 이용하여, 입력된 이미지의 왜곡 영역을 검출하는 단계를 포함할 수 있다.

Description

이미지 왜곡 검출을 이용한 이미지 복원 장치 및 방법{APPARATUS AND METHOD FOR RECOVERING IMAGE USING IMAGE DISTORTION DETECTION}
본 발명의 기술적 사상은 이미지 왜곡 검출을 이용한 이미지 복원 장치 및 방법에 관한 것으로, 보다 상세하게는, 컨볼루션 신경망을 이용하여 이미지 왜곡을 검출하고, 검출된 이미지 왜곡을 복원하기 위한 이미지 복원 장치 및 방법에 관한 것이다.
본 발명의 기술적 사상은 교육부의 재원으로 한국연구재단의 지원을 받아 수행된 연구로부터 도출된 것이다.
[과제고유번호: 2016R1D1A1B03933875, 연구사업명: 이공학개인기초연구지원, 연구과제명: 융합 고차원 데이터 분석을 위한 잠재 구조 기반 확장성 있는 통합적 기계학습 모델 개발]
인터넷 및 모바일 장치의 발달로 인해, 스트리밍 미디어 서비스 및 클라우드 서비스에 대한 수요가 급증하고 있다.
이러한 스트리밍 미디어 서비스 및 클라우드 서비스는 멀티미디어를 저장하기 위한 넓은 저장 공간이 필요로 하므로, 멀티미디어를 저장하기 전에 손실(lossy) 압축 기술을 사용하여 저장할 멀티미디어를 압축하게 된다.
압축 기술의 압축 수준이 높을수록 스토리지 관점에서는 유리해지지만, 압축된 이미지에 국부 왜곡이 발생할 수 있다.
이에 따라 최근에는 왜곡된 이미지를 평가하고, 이미지에서 왜곡된 영역을 감지하는 방법들이 논의되고 있다.
본 발명의 기술적 사상에 따른 이미지 복원 장치 및 방법이 이루고자 하는 기술적 과제는, 이미지의 왜곡 영역을 검출하고, 왜곡 영역을 복원하는데 목적 이 있다.
본 발명은 사전 교육된 컨볼루션 뉴럴 네트워크를 이용하여 이미지의 왜곡 영역을 검출하여, 왜곡 검출 기능을 향상시키는데 목적이 있다.
본 발명은 서로 다른 복원 방식을 이용하여, 이미지 왜곡 영역 검출 및 복원 과정을 반복할 수 있어서, 우수한 복원 이미지를 제공하는데 목적이 있다.
본 발명의 기술적 사상에 따른 이미지 복원 장치 및 방법이 이루고자 하는 기술적 과제는 이상에서 언급한 과제(들)로 제한되지 않으며, 언급되지 않은 또 다른 과제(들)는 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명의 기술적 사상에 의한 일 양태에 따른 이미지 복원 방법은 왜곡된 이미지를 생성하여, 이미지 왜곡 분류 및 검출과 관련된 왜곡 데이터 세트를 생성하는 단계; 상기 생성된 왜곡 데이터 세트를 이용하여, 이미지 왜곡을 검출하기 위한 컨볼루션 뉴럴 네트워크(Convolutional Neural Network)를 미세 조정하는 단계; 및 상기 미세 조정된 컨볼루션 뉴럴 네트워크를 이용하여, 입력된 이미지의 왜곡 영역을 검출하는 단계를 포함할 수 있다.
예시적인 실시예에 따르면, 상기 왜곡 데이터 세트를 생성하는 단계는 하나의 참조 이미지를 기초로 복수의 왜곡된 이미지를 생성하는 단계와, 상기 생성된 복수의 왜곡된 이미지를 기초로 상기 왜곡 데이터 세트를 생성하는 단계를 포함할 수 있다.
예시적인 실시예에 따르면, 상기 왜곡 데이터 세트를 생성하는 단계는 왜곡된 이미지를 분류하기 위한 왜곡 분류 데이터 세트를 생성하는 단계와, 이미지 내의 왜곡된 영역을 검출하기 위한 왜곡 검출 데이터 세트를 생성하는 단계를 포함할 수 있다.
예시적인 실시예에 따르면, 상기 입력된 이미지의 왜곡 영역을 검출하는 단계는 상기 미세 조정된 컨볼루션 뉴럴 네트워크에 포함된 제1 네트워크 및 싱글 샷 멀티박스 검출 방식을 이용하여, 상기 입력된 이미지의 왜곡 영역을 검출하는 단계를 포함할 수 있다.
예시적인 실시예에 따르면, 상기 검출된 왜곡 영역에 대한 정보를 기초로, 상기 입력된 이미지를 복원하는 단계를 더 포함할 수 있다.
예시적인 실시예에 따르면, 상기 미세 조정된 컨볼루션 뉴럴 네트워크에 포함된 제2 네트워크를 이용하여 상기 복원된 이미지의 왜곡 영역을 검출하는 단계를 더 포함할 수 있다.
예시적인 실시예에 따르면, 상기 제2 네트워크를 이용하여 검출된 왜곡 영역에 대한 정보를 기초로, 상기 복원된 이미지를 다시 복원하는 단계를 더 포함할 수 있다.
본 발명의 기술적 사상에 의한 다른 양태에 따른 이미지 복원 장치는 메모리; 및 왜곡된 이미지를 생성하여, 이미지 왜곡 분류 및 검출과 관련된 왜곡 데이터 세트를 생성하고, 상기 생성된 왜곡 데이터 세트를 이용하여, 이미지 왜곡을 검출하기 위한 컨볼루션 뉴럴 네트워크(Convolutional Neural Network)를 미세 조정하고, 상기 미세 조정된 컨볼루션 뉴럴 네트워크를 이용하여, 입력된 이미지의 왜곡 영역을 검출하도록 제어하는 프로세서를 포함할 수 있다.
예시적인 실시예에 따르면, 상기 프로세서는 하나의 참조 이미지를 기초로 복수의 왜곡된 이미지를 생성하고, 상기 생성된 복수의 왜곡된 이미지를 기초로 상기 왜곡 데이터 세트를 생성할 수 있다.
예시적인 실시예에 따르면, 상기 프로세서는 상기 왜곡 데이터 세트에 포함되는, 왜곡된 이미지를 분류하기 위한 왜곡 분류 데이터 세트 및 이미지 내의 왜곡된 영역을 검출하기 위한 왜곡 검출 데이터 세트를 생성할 수 있다.
예시적인 실시예에 따르면, 상기 프로세서는 상기 미세 조정된 컨볼루션 뉴럴 네트워크에 포함된 제1 네트워크 및 싱글 샷 멀티박스 검출 방식을 이용하여, 상기 입력된 이미지의 왜곡 영역을 검출하는 제1 왜곡 영역 검출 모듈을 더 포함할 수 있다.
예시적인 실시예에 따르면, 상기 검출된 왜곡 영역에 대한 정보를 기초로, 상기 입력된 이미지를 복원하는 제1 이미지 복원 모듈을 더 포함할 수 있다.
예시적인 실시예에 따르면, 상기 미세 조정된 컨볼루션 뉴럴 네트워크에 포함된 제2 네트워크를 이용하여 상기 복원된 이미지의 왜곡 영역을 검출하는 제2 왜곡 영역 검출 모듈을 더 포함할 수 있다.
예시적인 실시예에 따르면, 상기 제2 네트워크를 이용하여 검출된 왜곡 영역에 대한 정보를 기초로, 상기 복원된 이미지를 다시 복원하는 제2 이미지 복원 모듈을 더 포함할 수 있다.
예시적인 실시예에 따르면, 상기 제1 왜곡 영역 검출 모듈, 상기 제1 이미지 복원 모듈, 상기 제2 왜곡 영역 검출 모듈 및 상기 제2 이미지 복원 모듈 중 적어도 하나는 상기 프로세서 및 상기 메모리로 구현될 수 있다.
본 발명의 기술적 사상에 의한 실시예들에 따른 이미지 복원 장치 및 방법은 이미지 왜곡 영역을 검출하고, 왜곡 영역을 복원할 수 있다.
또한, 본 발명은 사전 교육된 컨볼루션 뉴럴 네트워크를 이용하여 이미지의 왜곡오픈 영역을 검출할 수 있어서, 왜곡 검출 기능을 향상시킬 수 있다.
또한, 본 발명은 서로 다른 복원 방식을 이용하여, 이미지 왜곡 영역 검출 및 복원 과정을 반복할 수 있어서, 우수한 복원 이미지를 제공할 수 있다.
본 명세서에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 본 발명의 다양한 실시예에 따른 이미지 복원 장치의 구성을 나타낸다.
도 2는 본 발명의 다양한 실시예에 따른 왜곡 검출 모듈의 구성을 나타내는 블록도이다.
도 3은 본 발명의 다양한 실시예에 따른 이미지 복원 장치의 동작 방법에 대한 흐름도이다.
도 4는 본 발명의 다양한 실시예에 따른 왜곡 데이터 세트에 따른 이미지를 나타낸다.
도 5는 본 발명의 다양한 실시예에 따른 제1 이미지 복원 모듈에 의한 이미지 복원 과정을 나타낸다.
도 6은 본 발명의 다양한 실시예에 따른 제2 이미지 복원 모듈에 의한 이미지 복원 과정을 나타낸다.
본 발명의 기술적 사상은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 이를 상세한 설명을 통해 상세히 설명하고자 한다. 그러나, 이는 본 발명의 기술적 사상을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 기술적 사상의 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 발명의 기술적 사상을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 기술적 사상의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.
또한, 본 명세서에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다.
또한, 본 명세서에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다.
또한, 본 명세서에 기재된 "~부", "~기", "~자", "~모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 프로세서(Processor), 마이크로 프로세서(Micro Processor), 어플리케이션 프로세서(Application Processor), 마이크로 컨트롤러(Micro Controller), CPU(Central Processing Unit), GPU(Graphics Processing Unit), APU(Accelerate Processor Unit), DSP(Digital Signal Processor), ASIC(Application Specific Integrated Circuit), FPGA(Field Programmable Gate Array) 등과 같은 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
그리고 본 명세서에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주기능 별로 구분한 것에 불과함을 명확히 하고자 한다. 즉, 이하에서 설명할 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 이하에서 설명할 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있음은 물론이다.
이하, 본 발명의 기술적 사상에 의한 실시예들을 차례로 상세히 설명한다.
도 1은 본 발명의 다양한 실시예에 따른 이미지 복원 장치의 구성을 나타낸다.
도 1을 참조하면, 본 발명의 다양한 실시예에 따른 이미지 복원 장치(100)는 이미지(10)를 입력받고, 입력된 이미지를 복원한 복원 이미지(12)를 출력할 수 있다. 예를 들면, 이미지 복원 장치(100)는 입력된 이미지(10)의 왜곡 영역을 검출하고, 검출된 왜곡 영역을 복원할 수 있다.
이미지 복원 장치(100)는 제1 왜곡 영역 검출 모듈(120), 제1 이미지 복원 모듈(130), 제2 왜곡 영역 검출 모듈(160) 및 제2 이미지 복원 모듈(170)을 포함할 수 있다.
제1 왜곡 영역 검출 모듈(120)은 입력된 이미지(10)에 있는 왜곡된 영역을 검출할 수 있다. 예를 들면, 제1 왜곡 영역 검출 모듈(120)은 이미지(10) 내의 물체를 검출하는 알고리즘을 전이 학습(transfer learning)을 통해, 왜곡 영역 검출에 맞도록 수정할 수 있고, 수정된 알고리즘을 이용하여 이미지(10) 내의 왜곡 영역을 검출할 수 있다. 제1 왜곡 영역 검출 모듈(120)은 후술할 컨볼루션 뉴럴 네트워크(Convolutional Neural Network)를 이용하여 이미지의 왜곡 영역을 검출할 수 있다. 이에 대해서는 후술한다.
제1 이미지 복원 모듈(130)은 입력된 이미지(10)와 제1 왜곡 영역 검출 모듈(120)에서 검출한 왜곡 영역에 대한 정보를 기초로, 입력된 이미지(10)를 복원할 수 있다. 예를 들면, 제1 이미지 복원 모듈(130)은 입력된 이미지의 전체적인 컨텍스트를 통해, 입력된 이미지의 왜곡을 복원할 수 있다. 구체적으로, 제1 이미지 복원 모듈(130)은 일련의 컨볼루션 레이어(convolution layer)를 통해, 입력된 이미지를 저차원의 벡터 형태로 인코딩할 수 있고, 저차원의 벡터를 일련의 역컨볼루션 레이어(deconvolution layer)를 거쳐 입력된 이미지를 복원할 수 있다.
제1 왜곡 영역 검출 모듈(120) 및 제1 이미지 복원 모듈(130)은 제1 모듈(110)에 포함될 수 있다. 그리고 제1 모듈(110)은 후술할 제2 모듈(150)과 다른 네트워크로 구성될 수 있고, 학습의 용이성을 위해 모든 파라미터를 공유하는 동일한 네트워크로 구성될 수도 있다.
제2 왜곡 영역 검출 모듈(160)은 제1 이미지 복원 모듈(130)에서 복원한 이미지인 1차 복원 이미지(11)의 왜곡 영역을 검출할 수 있다. 예를 들면, 제1 왜곡 영역 검출 모듈(120)과 제2 왜곡 영역 검출 모듈(160)은 서로 다른 네트워크로 구성될 수 있고, 모든 파라미터를 공유하는 같은 네트워크로 구성될 수도 있다. 제2 왜곡 영역 검출 모듈(160)은 후술할 컨볼루션 뉴럴 네트워크(Convolutional Neural Network)를 이용하여 이미지의 왜곡 영역을 검출할 수 있다. 이에 대해서는 후술한다.
제2 이미지 복원 모듈(170)은 제2 왜곡 영역 검출 모듈(160)에서 검출한 왜곡 영역에 대한 정보를 기초로, 1차 복원 이미지(11)를 복원할 수 있다. 예를 들면, 제2 이미지 복원 모듈(170)은 DNCNN(denoising convolution neural network) 구조를 이용하여, 입력된 이미지를 복원할 수 있다. 일 실시예로, 제2 이미지 복원 모듈(170)은 입력된 1차 복원 이미지(11)를 컨볼루션 레이어를 통과시키고, 원본 이미지와 입력된 이미지의 차이인 왜곡 잔차 이미지(distortion residual image)를 출력하여, 왜곡 잔차 이미지를 이용하여 입력된 이미지를 복원할 수 있다. 여기서 DNCNN 구조는 Kai Zhang, Wangmeng Zuo 등의 논문 "Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising(2016년 8월)."에 개시되어 있다.
제2 이미지 복원 모듈(170)이 복원한 이미지는 2차 복원 이미지(12)일 수 있고, 이미지 복원 장치(100)에서 출력되는 이미지일 수 있다.
제2 이미지 복원 모듈(170)은 입력된 이미지, 예를 들면 1차 복원 이미지(11)에서 낮은 차원의 인코딩된 특징(encoded feature)을 생성하고, 인코딩된 특징을 다시 디코드하여, 입력된 이미지의 컨텍스트 정보를 유지하면서도 입력된 이미지의 왜곡을 복원할 수 있다.
제2 왜곡 영역 검출 모듈(160)과 제2 이미지 복원 모듈(170)은 제2 모듈(150)에 포함될 수 있다. 그리고 제2 모듈(150)은 상술할 제1 모듈(110)과 다른 네트워크로 구성될 수 있고, 학습의 용이성을 위해 모든 파라미터를 공유하는 동일한 네트워크로 구성될 수도 있다.
한편, 이미지 복원 장치(100)는 프로세서 및 메모리를 포함할 수 있다.
프로세서(processor)는 이미지 복원 장치(100)의 전반적인 동작을 제어할 수 있다. 프로세서는 후술할 왜곡 데이터 생성 세트 및 생성된 왜곡 데이터 세트를 이용하여 컨볼루션 뉴럴 네트워크를 미세 조정(fine-tune)할 수 있다.
메모리(memory)는 이미지 복원 장치(100)의 동작과 관련된 다양한 정보를 저장할 수 있다. 메모리는 후술할 왜곡 데이터 생성 세트를 저장할 수 있고, 이미지 왜곡 검출 및 복원 과정의 다양한 데이터를 저장할 수 있다.
상술한 제1 왜곡 영역 검출 모듈(120), 제1 이미지 복원 모듈(130), 제2 왜곡 영역 검출 모듈(160) 및 제2 이미지 복원 모듈(170)은 이미지 복원 장치(100)에 포함된 프로세서 및 메모리에 의해 구현될 수 있다.
도 2를 참조하여, 이미지의 왜곡을 검출하는 왜곡 검출 모듈(120, 160)의 구성에 대해 설명한다.
도 2는 본 발명의 다양한 실시예에 따른 왜곡 검출 모듈의 구성을 나타내는 블록도이다.
도 2를 참조하면, 왜곡 영역 검출 모듈(200)은 왜곡 검출 모듈(210) 및 왜곡 정도 측정 모듈(230)을 포함할 수 있다. 여기서 왜곡 검출 모듈(200)은 상술한 제1 왜곡 영역 검출 모듈(120) 및 제2 왜곡 영역 검출 모듈(160)일 수 있다.
왜곡 검출 모듈(210)은 싱글 샷 멀티박스 디텍터(Single Shot MultiBox Detector) 방식을 기초로 동작할 수 있다. 왜곡 검출 모듈(210)은 입력된 이미지를 일련의 컨볼루션 레이어(convolution layer)를 거치도록 하고, 왜곡 검출 모듈(210)에 포함된 왜곡 종류 분류 모듈(211) 및 왜곡 영역 탐지 모듈(213)을 통해 입력된 이미지의 왜곡 종류와 위치를 예측할 수 있다.
왜곡 종류 분류 모듈(211)은 입력된 이미지의 왜곡의 구체적인 종류를 예측할 수 있다. 예를 들면, 왜곡 종류 분류 모듈(211)은 가우시안 백색 잡음, 가우시안 블러, 점 잡음(salt and pepper noise), 양자화 잡음, JPEG 압축 잡음, 저역 통과 잡음 등과 같은 복수의 잡음 종류 중 입력된 이미지의 왜곡의 종류를 예측할 수 있다.
왜곡 영역 탐지 모듈(213)은 입력된 이미지 내의 왜곡이 위치한 좌표를 회귀분석(regression analysis)으로 예측할 수 있다.
왜곡 정도 측정 모듈(230)은 이미지에 포함된 왜곡 각각의 왜곡 정도를 회귀분석을 통해 예측할 수 있다. 그리고 왜곡 정도 측정 모듈(230)은 예측된 왜곡 정도를 이미지 복원 모듈(130, 170)에 전달하여, 이미지 복원 모듈이 효과적으로 이미지 왜곡을 복원하도록 할 수 있다.
상술한 내용을 기초로, 이하, 본 발명에 따른 이미지 복원 장치의 동작 방법을 설명한다.
도 3은 본 발명의 다양한 실시예에 따른 이미지 복원 장치의 동작 방법에 대한 흐름도이다.
도 3을 참조하면, 이미지 복원 장치(100)는 왜곡 데이터 세트를 생성할 수 있다(S310).
이미지 복원 장치(100)는 입력된 이미지의 왜곡을 분류하고 검출하기 위해 왜곡 데이터 세트를 생성할 수 있다. 예를 들면, 이미지 복원 장치(100)는 참조 이미지를 수집하고, 수집된 참조 이미지를 복수의 유형의 왜곡된 이미지로 생성할 수 있다. 그리고 이미지 복원 장치(100)는 생성된 복수의 유형의 왜곡된 이미지를 이용하여 왜곡 데이터 세트를 생성할 수 있다.
일 실시예로, 이미지 복원 장치(100)는 포토 쉐어링 웹사이트(photo sharing website)에서 참조할 이미지를 획득하고, 획득된 이미지를 기초로 8가지 유형의 왜곡이 적용된 복수의 이미지를 생성할 수 있다. 일 예로, 이미지 복원 장치(100)는 Flickr()에서 복수의 참조 이미지를 수집하고, 수집된 참조 이미지를 8가지 유형의 왜곡 유형을 적용한 왜곡 이미지를 생성할 수 있다. 여기서 8가지 유형의 왜곡은 가우시안 백색 잡음, 가우시안 블러, 점 잡음, 양자화 잡음, JPEG 압축 잡음, 저역 통과 잡음, 소음 제거, fnoise 일 수 있다. 다른 예로, 이미지 복원 장치(100)는 Picasa(picasa.google.com)에서 복수의 참조 이미지를 수집하고, 수집된 참조 이미지를 복수의 유형의 왜곡 유형을 적용한 왜곡 이미지를 생성할 수도 있다.
생성된 왜곡 데이터 세트는 왜곡 분류와 관련된 왜곡 분류 데이터 세트와 왜곡 검출과 관련된 왜곡 검출 데이터 세트를 포함할 수 있다. 예를 들면, 왜곡 분류 데이터 세트에 포함되는 참조 이미지는 3가지 수준의 8가지 왜곡 유형을 사용하여 왜곡된 이미지일 수 있다. 일 예로, 이미지 복원 장치(100)는 하나의 참조 이미지로 24개의 왜곡된 이미지를 생성하여, 왜곡 분류 데이터 세트에 포함되는 이미지를 생성할 수 있다. 그리고 왜곡 검출 데이터 세트에 포함되는 이미지는 이질적이고 여러 개의 왜곡을 가질 수 있다. 일 예로, 이미지 복원 장치(100)는 이미지의 왜곡 수준을 분류 데이터 집합에 사용된 최소값과 최대값의 범위에서 무작위로 균등하게 선택하여 생성한 이미지를 왜곡 검출 데이터 세트에 포함되는 이미지로 생성할 수 있다.
도 4를 참조하여, 생성된 왜곡 데이터 세트에 포함되는 이미지에 대해 설명한다.
도 4는 본 발명의 다양한 실시예에 따른 왜곡 데이터 세트에 따른 이미지를 나타낸다.
도 4를 참조하면, 이미지 복원 장치(100)는 레퍼런스 이미지(a)를 기초로, 점 잡음(salt and pepper noise)이 적용된 왜곡된 이미지(b)를 생성할 수 있다. 점 잡음이 적용된 왜곡된 이미지(b)는 왜곡 분류를 위한 왜곡 분류 데이터 세트에 포함될 수 있다. 그리고 이미지 복원 장치(100)는 레퍼런스 이미지(a)를 기초로, 이미지 왜곡 검출을 위한 이미지(c, d)를 생성할 수 있다. 이미지 복원 장치(100)는 레퍼런스 이미지(a)에 이질적이고 여러 개의 왜곡을 갖는 이미지(c)를 생성할 수 있고, 레퍼런스 이미지(a)에 왜곡이 있는 작은 다수의 영역을 갖는 이미지(d)를 생성할 수 있다.
다시 도 3을 참조한다.
이미지 복원 장치(100)는 생성된 왜곡 데이터 세트를 이용하여, 컨볼루션 뉴럴 네트워크를 미세 조정할 수 있다(S320).
이미지 복원 장치(100)는 복수의 왜곡 유형별 이미지를 포함하는 왜곡 데이터 세트를 이용하여 사전 설정된 컨볼루션 뉴럴 네트워크를 미세 조정할 수 있다. 예를 들면, 이미지 복원 장치(100)는 사전 훈련된 컨볼루션 뉴럴 네트워크의 완전히 연결된 레이어(fully connected layer)를 제거한 후, 왜곡 데이터 세트에 대응하는 새로운 완전히 연결된 레이어를 추가하여 미세 조정할 수 있다. 여기서 사전 설정된 컨볼루션 뉴럴 네트워크는 ImageNet과 같은 대규모 외부 데이터 세트에 대해 훈련된 컨볼루션 뉴럴 네트워크일 수 있다.
이미지 복원 장치(100)는 이미지 왜곡 검출을 위한 네트워크를 훈련할 때, 왜곡 분류 데이터 세트에 맞게 조정된 사전 훈련된 컨볼루션 뉴럴 네트워크를 기본 네트워크로 사용하고, 기본 네트워크 상단에 SSD 레이어(Single Shot multibox Detector layer)를 스택(stack)으로 사용할 수 있다.
이미지 복원 장치(100)는 컨볼루션 뉴럴 네트워크를 이용하여, 입력된 이미지의 왜곡 영역을 검출할 수 있다(S330).
이미지 복원 장치(100)는 미세 조정된 컨볼루션 뉴럴 네트워크를 이용하여, 복원하고자 하는 이미지의 왜곡 영역을 검출할 수 있다. 예를 들면, 제1 왜곡 영역 검출 모듈(120)은 입력된 이미지의 왜곡 영역을 검출할 수 있다. 구체적으로 제1 왜곡 영역 검출 모듈(120)은 미세 조정된 컨볼루션 뉴럴 네트워크를 이용하여 입력된 이미지의 왜곡 영역을 검출할 수 있다. 이러한 이미지 왜곡 영역 검출은 1차 왜곡 영역 검출이라고 할 수 있다.
이미지 복원 장치(100)는 검출된 왜곡 영역에 대한 정보를 기초로, 입력된 이미지를 복원할 수 있다(S340).
이미지 복원 장치(100)의 제1 이미지 복원 모듈(130)은 제1 왜곡 영역 검출 모듈(120)의 1차 왜곡 영역 검출에 따른 정보를 기초로, 입력된 이미지를 복원할 수 있다. 예를 들면, 제1 이미지 복원 모듈(130)은 입력된 이미지의 전체적인 컨텍스트를 통해, 입력된 이미지의 왜곡을 복원할 수 있다. 이에 대해 도 5를 참조하여 설명한다.
도 5는 본 발명의 다양한 실시예에 따른 제1 이미지 복원 모듈에 의한 이미지 복원 과정을 나타낸다.
도 5를 참조하면, 제1 이미지 복원 모듈(130)은 일련의 컨볼루션 레이어(convolution layer)를 통해, 입력된 이미지(510)를 저차원의 벡터 형태로 인코딩할 수 있고, 저차원의 벡터를 일련의 역컨볼루션 레이어(deconvolution layer)를 거쳐 입력된 이미지(510)를 복원한 1차 복원 이미지(530)을 생성할 수 있다. 이러한 과정을 제1 복원 과정(500)이라고 할 수 있다.
이미지 복원 장치(100)는 컨볼루션 뉴럴 네트워크를 이용하여, 복원된 이미지의 왜곡 영역을 다시 검출할 수 있다(S350).
이미지 복원 장치(100)의 제2 왜곡 영역 검출 모듈(160)은 제1 이미지 복원 모듈(130)에서 복원한 이미지인 1차 복원 이미지의 왜곡 영역을 검출할 수 있다. 여기서, 제1 왜곡 영역 검출 모듈(120)과 제2 왜곡 영역 검출 모듈(160)은 서로 다른 네트워크로 구성될 수 있고, 모든 파라미터를 공유하는 같은 네트워크로 구성될 수도 있다. 이러한 이미지 왜곡 영역 검출은 2차 왜곡 영역 검출이라고 할 수 있다.
이미지 복원 장치(100)는 다시 검출된 왜곡 영역에 대한 정보를 기초로, 입력된 이미지를 다시 복원할 수 있다(S360).
이미지 복원 장치(100)의 제2 이미지 복원 모듈(170)은 제2 왜곡 영역 검출 모듈(160)에서 검출한 왜곡 영역에 대한 정보를 기초로, 1차 복원 이미지를 다시 복원할 수 있다. 예를 들면, 제2 이미지 복원 모듈(170)은 DNCNN(denoising convolution neural network) 구조를 이용하여, 입력된 이미지를 복원할 수 있다. 이에 대해 도 6을 참조하여 설명한다.
도 6은 본 발명의 다양한 실시예에 따른 제2 이미지 복원 모듈에 의한 이미지 복원 과정을 나타낸다.
도 6을 참조하면, 제2 이미지 복원 모듈(170)은 입력된 1차 복원 이미지(530)를 컨볼루션 레이어를 통과시키고, 원본 이미지와 입력된 이미지(530)의 차이인 왜곡 잔차 이미지(550, distortion residual image)를 출력하여, 왜곡 잔차 이미지(550)를 이용하여 입력된 이미지(530)를 복원한 2차 복원 이미지(570)를 생성할 수 있다. 이러한 과정을 제2 복원 과정(600)이라고 할 수 있다.
상술한 내용에서, 이미지 복원 장치(100)는 제1 모듈(110)에 의한 1차 복원 과정과 제2 모듈(150)에 의한 2차 복원 과정을 갖는 것으로 설명하였으나, 설명을 위한 예시로 사용자 또는 설계자의 선택에 따라 임의의 단계로 구성될 수 있다. 이에 따라 이미지 복원 장치(100)는 1차 복원 과정만을 거쳐서 이미지를 복원할 수도 있고, 복수의 단계를 거쳐서 이미지를 복원할 수도 있다.
이와 같이, 본 발명의 다양한 실시예에 따른 이미지 복원 장치(100)는 복수의 단계의 왜곡 검출 및 복원 과정을 통해, 이미지를 복원할 수 있다. 그래서 본 발명은 복수의 단계의 왜곡 검출 및 복원 과정을 통해, 복잡한 왜곡이 포함된 이미지를 반복적으로 복원하여 이전 단계에서 복원되지 않은 부분까지 복원할 수 있다.
이상, 본 발명의 기술적 사상을 바람직한 실시예를 들어 상세하게 설명하였으나, 본 발명의 기술적 사상은 상기 실시예들에 한정되지 않고, 본 발명의 기술적 사상의 범위 내에서 당 분야에서 통상의 지식을 가진 자에 의하여 여러 가지 변형 및 변경이 가능하다.
10: 이미지
11: 1차 복원 이미지
12: 2차 복원 이미지
100: 이미지 복원 장치
110: 제1 모듈
120: 제1 왜곡 영역 검출 모듈
130: 제1 이미지 복원 모듈
150: 제2 모듈
160: 제2 왜곡 영역 검출 모듈
170: 제2 이미지 복원 모듈
200: 왜곡 검출 모듈
210: 왜곡 영역 검출 모듈
211: 왜곡 종류 분류 모듈
213: 왜곡 영역 탐지 모듈
230: 왜곡 정도 측정 모듈
500: 제1 복원 과정
510: 입력 이미지
530: 1차 복원 이미지
570: 2차 복원 이미지
600: 제2 복원 과정

Claims (15)

  1. 왜곡 분류 및 왜곡 검출과 관련된 복수의 왜곡된 이미지를 생성하여, 복수의 왜곡 유형이 적용된 복수의 제1 왜곡 이미지를 포함하는 왜곡 분류 데이터 세트 및 서로 다른 복수의 왜곡을 갖는 복수의 제2 왜곡 이미지를 포함하는 왜곡 검출 데이터 세트를 포함하는 왜곡 데이터 세트를 생성하는 단계;
    상기 생성된 왜곡 데이터 세트에 포함된, 상기 왜곡 분류 데이터 세트 및 상기 왜곡 검출 데이터 세트를 이용하여, 이미지 왜곡을 검출하기 위한 컨볼루션 뉴럴 네트워크(Convolutional Neural Network)를 미세 조정하는 단계;
    상기 미세 조정된 컨볼루션 뉴럴 네트워크를 이용하여, 입력되는 대상 이미지의 왜곡 영역을 검출하는 단계; 및
    상기 검출된 왜곡 영역에 대한 정보인 상기 검출된 왜곡 영역의 좌표, 왜곡 정도 및 왜곡 종류를 기초로, 상기 대상 이미지의 왜곡을 복원하는 단계를 포함하는
    이미지 복원 방법.
  2. 제1항에 있어서,
    상기 왜곡 데이터 세트를 생성하는 단계는
    하나의 참조 이미지를 기초로, 상기 복수의 왜곡된 이미지를 생성하는 단계와,
    상기 생성된 복수의 왜곡된 이미지를 기초로, 상기 왜곡 분류 데이터 세트 및 상기 왜곡 검출 데이터 세트를 생성하는 단계를 포함하는
    이미지 복원 방법.
  3. 제2항에 있어서,
    상기 왜곡 데이터 세트를 생성하는 단계는
    상기 하나의 참조 이미지로 상기 복수의 왜곡 유형을 서로 다른 수준으로 적용한 상기 복수의 제1 왜곡 이미지를 생성하여 상기 왜곡 분류 데이터 세트를 생성하는 단계와,
    상기 하나의 참조 이미지의 왜곡 수준을 최소값과 최대값의 범위에서 무작위로 선택한 상기 복수의 제2 왜곡 이미지를 생성하여 상기 왜곡 검출 데이터 세트를 생성하는 단계를 포함하는
    이미지 복원 방법.
  4. 제1항에 있어서,
    상기 대상 이미지의 왜곡 영역을 검출하는 단계는
    상기 미세 조정된 컨볼루션 뉴럴 네트워크에 포함된 제1 네트워크 및 싱글 샷 멀티박스 검출 방식을 이용하여, 상기 대상 이미지의 왜곡 영역을 검출하는 단계를 포함하는
    이미지 복원 방법.
  5. 제4항에 있어서,
    상기 대상 이미지를 복원하는 단계는
    상기 제1 네트워크 및 상기 싱글 샷 멀티박스 검출 방식으로 검출된 상기 왜곡 영역에 대한 정보를 기초로, 상기 대상 이미지를 복원하는 단계를 포함하는
    이미지 복원 방법.
  6. 제5항에 있어서,
    상기 미세 조정된 컨볼루션 뉴럴 네트워크에 포함된 제2 네트워크를 이용하여 상기 복원된 이미지의 왜곡 영역을 검출하는 단계를 더 포함하는
    이미지 복원 방법.
  7. 제6항에 있어서,
    상기 제2 네트워크를 이용하여 검출된 왜곡 영역에 대한 정보를 기초로, 상기 복원된 이미지를 다시 복원하는 단계를 더 포함하는
    이미지 복원 방법.
  8. 메모리; 및
    왜곡 분류 및 왜곡 검출과 관련된 복수의 왜곡된 이미지를 생성하여, 복수의 왜곡 유형이 적용된 복수의 제1 왜곡 이미지를 포함하는 왜곡 분류 데이터 세트 및 서로 다른 복수의 왜곡을 갖는 복수의 제2 왜곡 이미지를 포함하는 왜곡 검출 데이터 세트를 포함하는 왜곡 데이터 세트를 생성하고,
    상기 생성된 왜곡 데이터 세트에 포함된, 상기 왜곡 분류 데이터 세트 및 상기 왜곡 검출 데이터 세트를 이용하여, 이미지 왜곡을 검출하기 위한 컨볼루션 뉴럴 네트워크(Convolutional Neural Network)를 미세 조정하고,
    상기 미세 조정된 컨볼루션 뉴럴 네트워크를 이용하여, 입력되는 대상 이미지의 왜곡 영역을 검출하고,
    상기 검출된 왜곡 영역에 대한 정보인 상기 검출된 왜곡 영역의 좌표, 왜곡 정도 및 왜곡 종류를 기초로, 상기 대상 이미지의 왜곡을 복원하도록 제어하는 프로세서를 포함하는
    이미지 복원 장치.
  9. 제8항에 있어서,
    상기 프로세서는
    하나의 참조 이미지를 기초로, 상기 복수의 왜곡된 이미지를 생성하고,
    상기 생성된 복수의 왜곡된 이미지를 기초로, 상기 왜곡 분류 데이터 세트 및 상기 왜곡 검출 데이터 세트를 생성하는
    이미지 복원 장치.
  10. 제9항에 있어서,
    상기 프로세서는
    상기 하나의 참조 이미지로 상기 복수의 왜곡 유형을 서로 다른 수준으로 적용한 상기 복수의 제1 왜곡 이미지를 생성하여 상기 왜곡 분류 데이터 세트를 생성하고,
    상기 참조 이미지의 왜곡 수준을 최소값과 최대값의 범위에서 무작위로 선택한 상기 복수의 제2 왜곡 이미지를 생성하여 상기 왜곡 검출 데이터 세트를 생성하는
    이미지 복원 장치.
  11. 제8항에 있어서,
    상기 프로세서는
    상기 미세 조정된 컨볼루션 뉴럴 네트워크에 포함된 제1 네트워크 및 싱글 샷 멀티박스 검출 방식을 이용하여, 상기 대상 이미지의 왜곡 영역을 검출하는
    이미지 복원 장치.
  12. 제11항에 있어서,
    상기 프로세서는
    상기 제1 네트워크 및 상기 싱글 샷 멀티박스 검출 방식으로 검출된 상기 왜곡 영역에 대한 정보를 기초로, 상기 대상 이미지를 복원하는
    이미지 복원 장치.
  13. 제12항에 있어서,
    상기 프로세서는
    상기 미세 조정된 컨볼루션 뉴럴 네트워크에 포함된 제2 네트워크를 이용하여 상기 복원된 이미지의 왜곡 영역을 검출하는
    이미지 복원 장치.
  14. 제13항에 있어서,
    상기 프로세서는
    상기 제2 네트워크를 이용하여 검출된 왜곡 영역에 대한 정보를 기초로, 상기 복원된 이미지를 다시 복원하는
    이미지 복원 장치.
  15. 제13항 내지 제14항 중 어느 하나의 항에 있어서,
    상기 제1 네트워크와 상기 제2 네트워크는 모든 파라미터를 공유하는 네트워크인
    이미지 복원 장치.
KR1020170081482A 2017-06-27 2017-06-27 이미지 왜곡 검출을 이용한 이미지 복원 장치 및 방법 KR101922964B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170081482A KR101922964B1 (ko) 2017-06-27 2017-06-27 이미지 왜곡 검출을 이용한 이미지 복원 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170081482A KR101922964B1 (ko) 2017-06-27 2017-06-27 이미지 왜곡 검출을 이용한 이미지 복원 장치 및 방법

Publications (1)

Publication Number Publication Date
KR101922964B1 true KR101922964B1 (ko) 2018-11-28

Family

ID=64561363

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170081482A KR101922964B1 (ko) 2017-06-27 2017-06-27 이미지 왜곡 검출을 이용한 이미지 복원 장치 및 방법

Country Status (1)

Country Link
KR (1) KR101922964B1 (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111160434A (zh) * 2019-12-19 2020-05-15 中国平安人寿保险股份有限公司 目标检测模型的训练方法、装置及计算机可读存储介质
KR20200095589A (ko) * 2019-01-18 2020-08-11 한국항공대학교산학협력단 개선된 영상 압축 시스템 및 방법
WO2020226317A1 (en) * 2019-05-03 2020-11-12 Samsung Electronics Co., Ltd. Image processing apparatus and image processing method thereof
WO2022114927A1 (ko) * 2020-11-30 2022-06-02 삼성전자 주식회사 영상의 ai 부호화 및 ai 복호화를 위한 장치, 및 방법
KR102590926B1 (ko) * 2022-06-08 2023-10-17 아주대학교산학협력단 왜곡 이미지의 이미지 복원 방법 및 장치
WO2023214633A1 (ko) * 2022-05-06 2023-11-09 에스케이텔레콤 주식회사 초해상도 신경망을 기반으로 한 화질개선 방법 및 장치
CN111160434B (zh) * 2019-12-19 2024-06-07 中国平安人寿保险股份有限公司 目标检测模型的训练方法、装置及计算机可读存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Nima Tajbakhsh ET AL:"Convolutional Neural Networks for Medical Image Analysis: Full Training or Fine Tuning?", IEEE Transactions on Medical Imaging, Volume: 35, Issue: 5, May 2016(2016.05.31.)*
Shamik Tiwari ET AL:"Statistical Moments based Noise Classification using Feed Forward Back Propagation Neural Network", International Journal of Computer Applications (0975 - 8887),Vol.18, March 2011*
Wei Liu ET AL:"SSD: Single Shot MultiBox Detector", ECCV 2016: Computer Vision - ECCV 2016, pp.21-37(2016.09.17.)*
유소희, "Convolutional Neural Network를 이용하여 영상의 잡음 제거 분석", 학위논문(석사), 이화여자대학교 대학원, 2016.02, TM 621.381 -16-126 석박사학위논문실(107호)(2016.2.28.)*

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200095589A (ko) * 2019-01-18 2020-08-11 한국항공대학교산학협력단 개선된 영상 압축 시스템 및 방법
KR102154424B1 (ko) * 2019-01-18 2020-09-10 한국항공대학교산학협력단 개선된 영상 압축 시스템 및 방법
WO2020226317A1 (en) * 2019-05-03 2020-11-12 Samsung Electronics Co., Ltd. Image processing apparatus and image processing method thereof
US11315222B2 (en) 2019-05-03 2022-04-26 Samsung Electronics Co., Ltd. Image processing apparatus and image processing method thereof
CN111160434A (zh) * 2019-12-19 2020-05-15 中国平安人寿保险股份有限公司 目标检测模型的训练方法、装置及计算机可读存储介质
CN111160434B (zh) * 2019-12-19 2024-06-07 中国平安人寿保险股份有限公司 目标检测模型的训练方法、装置及计算机可读存储介质
WO2022114927A1 (ko) * 2020-11-30 2022-06-02 삼성전자 주식회사 영상의 ai 부호화 및 ai 복호화를 위한 장치, 및 방법
WO2023214633A1 (ko) * 2022-05-06 2023-11-09 에스케이텔레콤 주식회사 초해상도 신경망을 기반으로 한 화질개선 방법 및 장치
KR102590926B1 (ko) * 2022-06-08 2023-10-17 아주대학교산학협력단 왜곡 이미지의 이미지 복원 방법 및 장치

Similar Documents

Publication Publication Date Title
KR101922964B1 (ko) 이미지 왜곡 검출을 이용한 이미지 복원 장치 및 방법
Singh et al. Single image dehazing for a variety of haze scenarios using back projected pyramid network
US10387751B2 (en) Methods, apparatuses, and systems for reconstruction-free image recognition from compressive sensors
JP6778670B2 (ja) 情報処理装置、情報処理方法、及びプログラム
CN110071798B (zh) 一种等效密钥获取方法、装置及计算机可读存储介质
US8346003B2 (en) Image processing for reducing blur
CN108876847B (zh) 图像定位方法、装置、系统和存储介质
CN103927734B (zh) 一种基于无参考的模糊图像质量评价方法
Ruchay et al. Impulsive noise removal from color images with morphological filtering
WO2020251523A1 (en) Modifying sensor data using generative adversarial models
Yang et al. A Novel Universal Steganalysis Algorithm Based on the IQM and the SRM.
JP6741636B2 (ja) 情報処理装置、情報処理方法、及びプログラム
Samantaray et al. Neighbourhood decision based impulse noise filter
Lan et al. Edge-assisted collaborative image recognition for mobile augmented reality
Van Luong et al. Sparse signal reconstruction with multiple side information using adaptive weights for multiview sources
CN116757962A (zh) 一种图像去噪方法、装置
CN108876759B (zh) 图像探测方法、装置、系统和存储介质
CN111726592B (zh) 获取图像信号处理器的架构的方法和装置
Kamada et al. Presentation of immersed surface-links by marked graph diagrams
WO2022194344A1 (en) Learnable augmentation space for dense generative adversarial networks
KR102101481B1 (ko) 인공지능 기반의 휴대용 보안영상 학습장치 및 방법
Appiah et al. Adaptive approximated median filtering algorithm for impulse noise reduction
Gao et al. Secure data fusion in wireless multimedia sensor networks via compressed sensing
Liu et al. Towards robust gan-generated image detection: a multi-view completion representation
CN115278303B (zh) 视频处理方法、装置、设备以及介质

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant