표제지
목차
ABSTRACT 9
제1장 서론 10
제1절 이미지 품질 평가 10
제2절 화질 평가 지표 13
1. MSE 13
2. PSNR 13
3. SSIM 14
4. Deep Learning based IQA 15
제3절 IQA 데이터셋 17
1. LIVE 18
2. CSIQ 19
3. TID2013 20
4. KADID-10K 21
5. PIPAL 22
제2장 본론 23
제1절 배경 소개 23
1. Swin Transformer 23
2. CNN (Convolutional Neural Network) 24
3. Activation Function 24
제2절 제안하는 방법 27
1. Patch Splitting 27
2. Residual Module 30
제3절 제안하는 모델 구조 31
제3장 실험 결과 34
제1절 실험 및 평가 환경 34
제2절 데이터 별 실험 결과 35
제3절 Ablation Study 38
제4장 결론 및 향후 연구 40
제1절 본 논문의 결론 및 기여 40
제2절 향후 연구 방향 40
참고문헌 42
국문초록 46
표 1. 모델 별 PIPAL 데이터 평가 비교 결과. 35
표 2. PIPAL 단일 이미지에 대한 각 모델 평가 결과. 36
표 3. TID 2013 단일 이미지에 대한 각 모델 평가 결과. 36
표 4. Traditianal DataSet에 대한 평가 비교 결과. 37
표 5. PIPAL 학습 모델 기반 타 데이터 교차 검증 비교 결과. 37
표 6. Ablation 비교 결과. 39
표 7. AHIQ VS 제안 모델 학습 시간 및 모델 크기 비교 결과. 39
그림 1. 텍스쳐 이미지의 예 [12]. (a) 잔디 원본 이미지, (b) (a)에 대한 왜곡 이미지, (c) 또 다른 잔디 원본 이미지 16
그림 2. LIVE [8] dataset. (a) 원본 이미지, (b) Fast fading 왜곡 이미지, (c) JPEG 압축 왜곡 이미지, (d) Gaussian Blur 왜곡 이미지. 18
그림 3. CSIQ [6] Dataset. (a) 원본 이미지, (b) AWGN 왜곡 이미지, (c) Blur 왜곡 이미지, (d) Contrast 왜곡 이미지. 19
그림 4. TID2013 [15] Dataset. (a) 원본 이미지, (b) Additive Gaussian Noise 왜곡 이미지, (c) Quantization 왜곡 이미지, (d) Contrast 왜곡 이미지. 20
그림 5. KADID-10K [7] Dataset. (a) 원본 이미지, (b) Gaussian Blur 왜곡 이미지, (c) Color Diffusion 왜곡 이미지, (d) Contrast 왜곡 이미지. 21
그림 6. PIPAL [10],[11] Dataset. (a) 원본 이미지, (b) Gaussian Blur 왜곡 이미지, (c) denoising 왜곡 이미지, (d) GAN 기반 초해상도 왜곡 이미지. 22
그림 7. Swin transformer [19] 구조도. 23
그림 8. CNN [1] 구조도. 24
그림 9. 활성화 함수 (ReLU [18], GELU [3], Mish [4]) 그래프. 26
그림 10. Patch Merging [19]진행 과정도. 27
그림 11. Patch Splitting 진행 과정도. 28
그림 12. 제안하는 SSTN 모델의 구조도. 31