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
- 지도교수
- 고성제
- 발행연도
- 2022
- 저작권
- 고려대학교 논문은 저작권에 의해 보호받습니다.
이용수2
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
최근에는 저조도 환경에서 노이즈 제거 분야에서 종단간 딥러닝 (end-to-end deep learning) 방식 기반 방법이 성공적으로 채택되고 있다. 하지만 이러한 방법은 색상 왜곡(Color distortion) 등의 artifact를 유발하는 경향이 있다.
이 문제를 해결하기 위해, 우리는 본 논문에서 색상 보정 보조 네트워크를 포함한 저조도 영상 개선 네트워크를 제안하고 제안한 네트워크를 위해 자체적으로 설계한 손실 함수도 함께 소개한다. 마지막으로 제안한 네트워크와 손실함수를 통해 얻은 결과 영상과 실험 결과는 제안된 네트워크와 손실함수가 저조도 환경의 영상 품질을 효과적으로 개선할 수 있음을 보여준다.
이 문제를 해결하기 위해, 우리는 본 논문에서 색상 보정 보조 네트워크를 포함한 저조도 영상 개선 네트워크를 제안하고 제안한 네트워크를 위해 자체적으로 설계한 손실 함수도 함께 소개한다. 마지막으로 제안한 네트워크와 손실함수를 통해 얻은 결과 영상과 실험 결과는 제안된 네트워크와 손실함수가 저조도 환경의 영상 품질을 효과적으로 개선할 수 있음을 보여준다.
목차
제 1 장. 서 론 11.1. 연구 배경 및 필요성 11.2. 논문의 구성 3제 2 장. 기존 저조도 환경 Image denoising 기법 52.1. Image Noise model and Image denoising 52.2. Classical Image denoising method 72.3. CNN-based denoising methods 132.4. Image denoising under low light condition 142.5. Denoising by autoencoder network 15제 3 장. 제안하는 기법 183.1. 네트워크 구조 193.2. 손실함수 (Loss Functions) 21제 4 장. 실험 결과 254.1. 평가항목 254.2. 데이터셋 (Dataset), 학습 (Training) 264.3. 성능평가 (Performance Evaluation) 28제 5 장. 결 론 30
최근 본 자료
댓글(0)
0