Conditional Generative Adversarial Networks를 이용한 물방울 왜곡 복구

Metadata Downloads
Issued Date
Due to the recent development of artificial intelligence technology, self-driving cars and smart cars are drawing attention. These technologies get many problems from development and application, and the biggest one is safety. In case of self-driving cars or smart cars, camera lenses are used to recognize obstacles and objects around them. Current technologies are used for driving safety purposes, other uses of camera lenses are preventing crime, but if they start with CCTV (Closed-circuit televisional), they can also cause a variety of signals and speed controls, as well as station-stop violations.

The restoration of a polka-down distorted image is divided into the detection of water droplets and the image restoration. Using the properties of water droplets to detect them and then replace the detected area or restore them using conventional approach. However, it is difficult to completely restore the image, without the demage of resolution or quality. Removing water droplets from the video is a difficult but very important task at the same time.

For the purpose of solving this problem, this study applies a new methodology to the Generative Adversarial Networks (GAN), to eliminate water droplets distortion it would be better to generate new images which are similar original images, rather than restoring the original images, So that the quality of the marine images restored by GAN will be excellent. However, since the quality of images generated by the existing GAN is not good and can not be created separately from the desired parts, CGAN is applied for the proposed method.

The evaluation is performed by comparing the PSNR. Values of the original images with the restored images using each filter and those generated using GAN.
Alternative Title
Restoring water drop on window using Conditional Generative Adversarial Networks
Alternative Author(s)
Suhan Koo
산업기술융합대학원 소프트웨어융합공학과
Awarded Date
2018. 8
Table Of Contents
목 차

제1장. 서론 1
제1절. 연구 배경 및 목적 1
제2절. 연구 내용 및 구성 3
제2장. 관련 연구 4
제1절. 물방울 및 먼지왜곡 감지와 제거방법 4
제2절. GAN 7
제3장. CGAN을 이용한 영상 추론 10
제1절. 건너뛰기 연결을 포함한 생성기 12
제2절. 패치로 설계된 판별기 15
제4장. 실험 결과 및 분석 17
제1절. 실험 환경 17
제2절. 결과 및 분석 21
제5장. 결론 28

참고문헌 29

표 목 차

[표 4-1] 학습 및 시험을 위한 환경 17
[표4-2] 복원된 영상들의 PSNR 26

그 림 목 차
[그림 1-1] 물방울 왜곡의 종류에 따른 원영상과 왜곡 영상 2
[그림 2-1] GAN의 기본 원리 7
[그림 3-1] 인코더-디코더 구조 12
[그림 3-2] 건너뛰기 연결이 포함된 생성기의 구조 13
[그림 3-3] 생성기의 학습구조 14
[그림 3-4] 판별기의 학습구조 16
[그림 4-1] 학습 및 시험을 위해 혼합에 사용된 영상 및 잔상이 남은 영상 18
[그림 4-2] 물방울 왜곡 영상과 필터로 복원한 영상의 잘못된 예 19
[그림 4-3] 일반적인 물방울 왜곡에 대한 복원 영상 21
[그림 4-4] 물줄기 및 물안개 왜곡에 대한 복원 영상 22
[그림 4-5] 물방울 왜곡이 심한 왜곡 영상에 대한 복원 영상 23
[그림 4-6] 물줄기가 포함된 왜곡 영상에 대한 복원 영상 24
[그림 4-7] 짙은 물안개가 포함된 왜곡 영상에 대한 복원 영상 25
[그림 4-8] 분류에 따른 왜곡별 복원 영상의 PSNR 27
[그림 4-9] 학습 횟수에 따른 CGAN의 손실률 27
조선대학교 산업기술융합대학원
구수한. (2018). Conditional Generative Adversarial Networks를 이용한 물방울 왜곡 복구
Appears in Collections:
Engineering > Theses(Master)(산업기술창업대학원)
Authorize & License
  • AuthorizeOpen
Files in This Item:

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.