Sumin's Blog

1. Introduction The highly challenging task of estimating a highresolution (HR) image from its low-resolution (LR) counterpart is referred to as super-resolution (SR). The optimization target of supervised SR algorithms is commonly the minimization of the mean squared error (MSE) between the recovered HR image and the ground truth. 1.1. Related work 1.1.1 Image super-resolution focus on single i..

Abstract We present an approach for learning to translate an image from a source domain X to a target domain Y in the absence of paired examples. 1. Introduction Paired training data (left) consists of training examples {xi , yi} N i=1, where the correspondence between xi and yi exists . unpaired training data (right), consisting of a source set {xi} N i=1 (xi ∈ X) and a target set {yj}M j=1 (yj..

Super-Resolution Image Super-Resolution은 저해상도 이미지를 고해상도로 변환시키는 문제를 의미 미디어, 의료, 보안 등 다양한 산업 분야에서 중요한 문제로 대두되고 있음 Image Super-Resolution 분류 저해상도 이미지로 고해상도 이미지를 예측하는 Supervised Learning 방식 Generative Adversarial Network 을 활용해 고해상도 이미지를 생성하는 방식 In training, I(LR) is obtained by appli=ying a Gaussian fillter ro I(HR) followed by a downsampling operation with downsampling factor r. Perceptual loss fun..

CycleGAN CycleGAN의 문제 상황 : Unpaired 데이터셋 상황에서 GAN 손실 함수만 사용한다면? 특정한 이미지 x가 주어졌을 떄, target domain Y 의 그럴싸한 이미지로 바꾸도록 학습할 수 있음 (x랑 y는 서로 매칭되어 있지 않은 상태 ) 매칭되는 y없이 단순히 이미지 x의 특성을 타겟 도메인 Y의 특성으로 바꾸고자 함 어떤 입력이든 y 도메인에 해당하는 하나의 이미지만 내보내려고 학습이 될 수도 있음 결과적으로 , 추가적인 제약조건이 필요 CycleGAN의 핵심 아이디어 Cycle-consistency loss를 사용 이미지를 translation 시킬 때, 다시 원본으로 돌아올 수도 있도록 함 CycleGAN은 G(x)가 다시 원본 이미지 x로 재구성될 수 있도록 함 원..

Unsupervised 학습 방식 Generative 모델로서 노이즈로부터 실제와 유사한 결과물 생성 Generative Model vs Discriminative Model CycleGAN 쌍을 이루지 않은 데이터 셋으로 학습이 가능한 image-to-image translation 메서드를 제안 GAN의 목표와 Image-to-Image Translation 소개 Gan을 이용하여 이미지의 분포를 근사하는 모델 G를 학습 생성 모델(Generative Model) : 실존하지 않지만 있을 법한 이미지를 생성할 수 있는 모델을 의미 Generative Adversarial Network (GAN) 구조 살펴보기 생성자(generator)와 판별자(discriminator) 두 개의 네트워크로 구성 판별..