본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색

결과 내 검색

동의어 포함

고급검색

인명/단체명

저자정보 상세정보
인명/단체명을 입력하세요.

키워드

  • 대표어

  • 외국어

-

목차보기

표제지 2

목차 5

국문요약 8

1. 서론 9

2. 기존 딥러닝 기반 이미지 초해상도 기법들 12

3. 제안하는 방법 14

3.1. 기반 신경망의 선택 및 훈련 파라미터 수정 15

3.2. 후처리 색상 보정 알고리즘 17

3.3. 실제 사진에 적용한 후처리 알고리즘 19

3.4. PSNR 값 기반의 자동화된 ASTC 블록 크기 결정 20

4. 실험 및 결과 21

4.1. 공통 실험 환경 21

4.2. 텍스처 맵의 모델별 실험 결과 22

4.2.1. 수정된 파라미터를 적용한 모델의 추론 결과 23

4.2.2. 후처리 색상 보정 알고리즘의 적용 결과 25

4.2.3. 임곗값(Threshold) 실험 결과 28

4.3. 일반 사진(Real-world image)에서의 추론 결과 29

4.4. 실제 렌더링 결과 33

5. 결론 및 한계 36

참고문헌 37

ABSTRACT 41

표목차 7

〈표 1〉 개별 파라미터 적용 유무에 따른 업스케일링한 텍스처 맵들의 평균... 24

〈표 2〉 텍스처 맵들에 대한... 25

〈표 3〉 ILSVRC2012 데이터 셋의 전체 처리 시간 비교 32

〈표 4〉 텍스처 맵의 크기 및 압축 방식, 밉맵 여부에 따른... 34

그림목차 6

〈그림 1〉 TexSR의 전체 프로세스 14

〈그림 2〉 후처리 색상 보정 알고리즘의 Vokselia_spawn 텍스처 적용 예 17

〈그림 3〉 파라미터 수정에 따른 업스케일링한 텍스처 맵의 확대 이미지 비교 24

〈그림 4〉 5개 대표 텍스처 맵에 대한 품질 비교. 각 열의 왼쪽 수치는... 26

〈그림 5〉 임곗값 비율에 따른 FLIP 수치 변화 28

〈그림 6〉 일반 사진 6개의 4배 업스케일링에 대한 정성적 품질 비교 31

〈그림 7〉 Sponza 장면에서 원본 텍스처 매핑(x1)과... 34

초록보기

 본 논문에서는 고품질 텍스처 맵 생성을 위한 이미지 초해상도 기법인 TexSR을 제안한다. 현재 연구되고 있는 딥러닝 기반의 초해상도 기법들은 노이즈가 없는 텍스처 맵에 적용할 경우, 이미지의 색조가 바뀌거나 아티팩트가 만들어지는 문제들이 종종 발생한다. 본 연구의 텍스처 맵 전용 초해상도 기법은 이러한 문제점을 해결하기 위해 다음과 같은 과정을 거친다. 먼저, 이미지 초해상도 신경망인 Real-ESRGAN의 훈련 파라미터를 텍스처 맵에 적합하게 수정한다. 다음으로 이와 같이 수정된 신경망으로 추론한 업스케일된 텍스처 맵에 대해, 새롭게 제안하는 후처리 알고리즘을 추가 적용함으로써 초해상도 과정에서 손실된 색조 및 세부 사항을 복원하였다. 마지막으로 PSNR 값 기반의 자동화된 ASTC 블록 크기 결정 방법으로 텍스처 맵을 압축하여 메모리 및 스토리지 오버헤드를 줄였다. 본 연구에서 제안한 초해상도 기법을 텍스처 맵 업스케일링에 적용한 결과, 기본 모델로 사용한 Real-ESRGAN과 비교하여 3.27 dB 증가된 PSNR 수치 및 54.2% 감소된 평균 FLIP 수치를 나타냈다. 또한 본 논문에서 제안하는 후처리 방식을 일반 사진에도 적용 가능한 결과, 이미지 복구 분야의 최신 기법인 DeSRA와 비교 가능한 수준의 품질을 도출하면서도 처리 시간은 더 짧게 나타났다. 이러한 실험 결과는 TexSR이 텍스처 맵 뿐 아니라 일반 사진의 초해상도 처리에도 유용함을 보여준다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차

권호

기사명 원문보기 기사목차
닫기