검색 상세

깊은학습 특징 정보를 이용한 스마트폰 카메라의 방사적 보정

Radiometric Calibration of Smartphone Camera with Deep Learning Features

장철훈

원문보기

초록 moremore
Tone and exposure control of photographs is one of the most important image enhancement techniques. Despite of its importance, adjusting tone and exposure of smartphone jpeg images is difficult due to lack of image irradiance data of the input. This thesis presents a novel radiometric calibration me...
Tone and exposure control of photographs is one of the most important image enhancement techniques. Despite of its importance, adjusting tone and exposure of smartphone jpeg images is difficult due to lack of image irradiance data of the input. This thesis presents a novel radiometric calibration method which recovers irradiance data from smartphone jpeg images. We train a neural network architecture that maps smartphone jpeg pixel colors to their corresponding irradiance data. By considering not only image pixels but local characteristics of image patches, a framework of this thesis can estimate inverse camera response function from various input images accurately and robustly. Local characteristics are represented by features extracted by a convolutional neural network. With system of this study, tone and exposure of smartphone jpeg images can be adjusted accurately and effectively, as demonstrated in our results.
목차 moremore
제 1 장 서론
제 1 절 연구 동기 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
제 2 절 연구 목표 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
...
제 1 장 서론
제 1 절 연구 동기 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
제 2 절 연구 목표 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
제 3 절 연구의 공헌도 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
제 4 절 논문의 구조 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

제 2 장 관련 연구
제 1 절 방사적 보정 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
제 2 절 영상 색상 전이 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
제 3 절 컨볼루셔널 신경망 . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

제 3 장 알고리즘 개괄
제 1 절 전체 개요 ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
제 2 절 단계별 과정 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

제 4 장 학습 데이터 생성
제 1 절 영상 촬영 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
제 2 절 기기간 노출 동기화 . . . . . . . . . . . . . . . . . . . . . . . . . . 18
제 3 절 대응 계산 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

제 5 장 방사적 보정 수행
제 1 절 지역적 특성 대표 특징 추출?? . . . . . . . . . . . . . . . . . . . . . . 22
제 2 절 신경망 모델을 통한 비선형적 회귀 분석 . . . . . . . . . . . . . . . 23
제 3 절 파라미터 결정을 위한 교차 검증? . . . . . . . . . . . . . . . . . . . 24

제 6 장 밝기와 색조화 변경
제 1 절 복원된 방사조도 변경 . . . . . . . . . . . . . . . . . . . . . . . . . 25
제 2 절 최종 결과 영상 생성 . . . . . . . . . . . . . . . . . . . . . . . . . . 26

제 7 장 실험 결과
제 1 절 파라미터 결정 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
제 2 절 방사조도 복원 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
제 3 절 밝기와 색조화 변경 . . . . . . . . . . . . . . . . . . . . . . . . . . 31

제 8 장 결론 및 향후 연구
제 1 절 결론 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
제 2 절 향후 연구 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42