표제지
목차
국문요약 10
1. 서론 12
1.1. 연구 배경 12
2. 배경 지식 14
2.1. U-Net 14
2.2. Dilated Convolution 15
2.3. Self-Attention 17
3. 관련 연구 19
3.1. 전통적인 방식 19
3.2. 딥러닝 기반 방식 20
4. 연구 방법 24
4.1. 모델의 구조 24
4.2. 손실 함수 25
5. 실험 및 결과 29
5.1. 실험 환경 29
5.2. 실험 결과 31
5.2.1. 1차 실험 31
5.2.2. 2차 실험 37
6. 결론 및 논의 44
6.1. 결론 44
6.2. 한계점 45
참고문헌 47
ABSTRACT 50
〈표 1〉 1차 실험 모델별 평가 지표 결과 36
〈표 2〉 2차 실험 모델별 평가 지표 결과 42
〈그림 1〉 U-Net 모델 구조 14
〈그림 2〉 Dilated Convolution 연산 예시 16
〈그림 3〉 Self-Attention 메커니즘 18
〈그림 4〉 Context Encoder 모델 구조 20
〈그림 5〉 Context Encoder 모델 결과 예시 21
〈그림 6〉 Multi-scale Semantic Inpainting Network 모델 구조 22
〈그림 7〉 Image Inpainting 모델 구조 24
〈그림 8〉 VGG-16 모델의 계층별 추출된 Feature Map 예시 27
〈그림 9〉 손상 영역 이진 마스크 예시 29
〈그림 10〉 1차 실험 Image Inpainting(w/o SA) 손실 함수 그래프 31
〈그림 11〉 1차 실험 Image Inpainting(w/o SA) 결과 32
〈그림 12〉 1차 실험 Image Inpainting 손실 함수 그래프 33
〈그림 13〉 1차 실험 Image Inpainting 결과 34
〈그림 14〉 1차 실험 모델별 결과 비교 37
〈그림 15〉 2차 실험 Image Inpainting(w/o SA) 손실 함수 그래프 38
〈그림 16〉 2차 실험 Image Inpainting(w/o SA) 결과 39
〈그림 17〉 2차 실험 Image Inpainting(w/o SA) 손실 함수 그래프 40
〈그림 18〉 2차 실험 Image Inpainting 결과 41
〈그림 19〉 2차 실험 모델별 결과 비교 43
〈그림 20〉 Image Inpainting의 잘못된 결과 예시 45
〈수식 1〉 Dilated Convolution 연산 공식 15
〈수식 2〉 L₁ 손실 함수 공식 25
〈수식 3〉 LCR 손실 함수 공식[이미지참조] 25
〈수식 4〉 LUCR 손실 함수 공식[이미지참조] 26
〈수식 5〉 Lstyle 손실 함수 공식[이미지참조] 26
〈수식 6〉 Ltotal 손실 함수 공식[이미지참조] 28
〈수식 7〉 PSNR 공식 35
〈수식 8〉 SSIM 공식 35