각도-공간적 정보가 혼합된 마이크로 이미지를 사용한 라이트 필드 이미지 편집 :Updatable Light Field using Spatio-Angular fused Micro Images

김권중

추천

검색

자료유형: 학위논문

저자정보: 김권중 (인하대학교, 인하대학교 대학원)

지도교수: 이채은

발행연도: 2023

저작권: 인하대학교 논문은 저작권에 의해 보호받습니다.

이용수0

이 논문의 연구 히스토리 (2)

2023

각도-공간적 정보가 혼합된 마이크로 이미지를 사용한 라이트 필드 이미지 편집

김권중 전기컴퓨터공학과 2023.01 학위논문

2021

GAN을 사용한 라이트 필드 이미지 인페인팅

김권중 , 조성욱 , 이채은 대한전자공학회 학술대회 2021.06 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

2-dimensional(2D) 영상으로 구성된 Light Field(LF)는 영상 처리 및 압축 기 술과 잘 어울린다는 점에서 2D에서 3-dimensional(3D) 미디어로의 원활한 전환이 가능하다. 그러나 LF의 편집 어려움은 응용 프로그램을 확장하는 데 큰 장애물이 된다. LF 전파는 LF 편집을 위한 실용적인 솔루션 중 하나이다. 그러나 warping, 딥러닝 기반의 작업은 객체 제거에 초점을 맞춘 초보적인 수준의 편집만 제공할 수 있다. 본 논문에서는 객체의 제거, 삽입 등 편집의 자유도를 높일 수 있는 시스템을 제안한다. 많은 기존 연구와 마찬가지로 warping을 편집 영역을 전파하는 기본 적인 방법으로 사용한다. 제안하는 시스템의 참신함은 존재하지 않지만 고품질의 disparity 정보를 창의적으로 생성하는 데 있다. 첫째, mono depth estimation을 통해 재구성된 disparity를 warping을 위한 geometry로 제공한다. 따라서 객체 제거를 넘어 다양한 편집이 가능하다. 둘째, Warping의 후처리로 Vision Transformer Network를 수행한다. 여기서는 여러 이미지 대신 시차를 인식하여 재할당 된 단일 마이크로 이미지가 네트워크에 대한 입력으로 사용된다. 공간적, 각도적 특징을 하나의 패치에 넣어 Global Attention에 공간적, 각도적 특징을 하나의 패치에 넣는 방식을 시도한다. 셋째, 편집 후 LF와 편집 전 LF를 네트워크 입력 으로 제공함으로써 구성 네트워크는 LF 데이터 세트가 부족한 어려운 환경에서 성공적으로 훈련할 수 있다. 우리의 접근 방식은 LF의 편집 자유 측면에서 상당한 개선을 달성하고 최신 기술을 확립한다.

#Light Field #Light Field Edit #Propagation #Vision Transformer

Chapter 1 서론 1
1.1 연구의 필요성 1
1.2 연구 방향 2
1.3 논문 구성 3
Chapter 2 배경 지식과 관련 연구 5
2.1 배경 지식 5
2.1.1 Light Field 5
2.1.2 Light Field Representation 6
2.1.3 Monocular Depth Estimation 7
2.1.4 Image Editing 9
2.2 관련 연구 10
2.2.1 Non deep learning based light field editing 10
2.2.2 Deep learning based light field editing 12
Chapter 3 Light Field Editing Architecture 16
3.1 Overall Architecture 16
3.2 Edited Image Processing before Warping 19
3.2.1 Mask Generation 19
3.2.2 Mono-Depth Estimation 19
3.3 Composition after Warping 21
3.3.1 Acquisition of LF-before-Editing 21
3.3.2 Conversion to MI 24
3.3.3 Composition Network 26
3.3.4 Loss 28
3.3.5 Inference 29
Chapter 4 실험 결과 31
4.1 실험 환경 및 데이터 31
4.1.1 실험 환경 31
4.1.2 Dataset 32
4.2 Comparsion with State-of-the-arts 34
4.2.1 Evaluation Enviroment 34
4.2.2 Qualitative Result of Public Dataset 34
4.2.3 Qualitative Result of LF-UE4 40
4.2.4 Quantitative Result of Public Dataset 43
4.2.5 Quantitative Result of LF-UE4 43
4.3 Ablation Study 44
Chapter 5 Conclusion 48
Bibliography 51

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)