메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색

논문 기본 정보

자료유형
학위논문
저자정보

유재필 (포항공과대학교, 포항공과대학교 일반대학원)

지도교수
이승용
발행연도
2019
저작권
포항공과대학교 논문은 저작권에 의해 보호받습니다.

이용수9

표지
AI에게 요청하기
추천
검색

이 논문의 연구 히스토리 (3)

2019

글자 인식 정보를 이용한 초해상도 글자 영상 복원
유재필 컴퓨터공학과 2019.01 학위논문

2018

생성적 적대 네트워크를 이용한 글자 특성이 고려된 초해상도 영상 복원
유재필 ,  손형석 ,  조성현 외 1명 정보과학회 컴퓨팅의 실제 논문지 2018.08 학술저널

2017

생성적 적대 네트워크를 이용한 글자 특성이 고려된 초해상도 영상 복원
유재필 ,  손형석 ,  조성현 외 1명 한국정보과학회 학술발표논문집 2017.12 학술대회자료

초록· 키워드

오류제보하기
This thesis presents a single image super-resolution (SISR) method for text image using text recognition information. Convolutional neural network (CNN) or Generative Adversarial network (GAN) based state-of-the-art SR methods have been proposed for generic image SR, but these approaches have difficulty in super-resolving text image because small text in image does not have enough information for restoring text''s shape. Additionally, text images have different characteristics than natural images, so we need to consider textual information. To enhance the super-resolved text image''s quality, we propose a GAN network using text recognition information. Given a input low resolution image, generator network produces sharper output super-resolve image by utilizing intermediate output and text probability map. Experimental results show that quality of our method''s output is better than state-of-the-art algorithm.

목차

I. 서 론 1
1.1 연구 동기 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 연구 목표 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 연구의 공헌도 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 논문의 구조 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
II. 관련 연구 6
2.1 영상 초해상도 영상 복원 . . . . . . . . . . . . . . . . . . . . . . . 6
2.2 글자 영상 블러 제거 . . . . . . . . . . . . . . . . . . . . . . . . . 10
III. 글자 인식 정보를 이용한 초해상도 영상 복원 12
3.1 초해상도 글자 영상 복원 . . . . . . . . . . . . . . . . . . . . . . . 12
3.1.1 일반 영상과 글자 영상간의 차이 . . . . . . . . . . . . . . 12
3.1.2 초해상도 글자 영상 복원을 위한 접근 방법 . . . . . . . . . 13
3.2 네트워크 구조 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.2.1 생성자 네트워크 . . . . . . . . . . . . . . . . . . . . . . . 15
3.2.2 판별자 네트워크 . . . . . . . . . . . . . . . . . . . . . . . 19
3.3 손실 함수 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.3.1 지각적 유사도 손실 함수 . . . . . . . . . . . . . . . . . . 21
3.3.2 대립적 손실 함수 . . . . . . . . . . . . . . . . . . . . . . . 21
IV. 실험 결과 24
4.1 실험 환경 및 결과 . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.1.1 데이터 셋 . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.1.2 학습 상세 정보 . . . . . . . . . . . . . . . . . . . . . . . . 25
4.2 결과 영상 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.2.1 다른 초해상도 복원 방법과의 비교 . . . . . . . . . . . . . 27
4.2.2 네트워크 차이에 따른 성능 비교 . . . . . . . . . . . . . . 31
V. 결론 및 향후 연구 36
5.1 결론 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
참 고 문 헌 37

최근 본 자료

전체보기

댓글(0)

0