Multi-scale CNN기반의 Color-guided Depth map Super-resolution 기법
Color-guided Depth map Super-resolution based on Multi-scale CNN
- 주제(키워드) Super-resolution , Neural Network
- 발행기관 고려대학교 대학원
- 지도교수 고성제
- 발행년도 2021
- 학위수여년월 2021. 2
- 학위구분 석사
- 학과 대학원 전기전자공학과
- 세부전공 신호 및 멀티미디어전공
- 원문페이지 39 p
- UCI I804:11009-000000235712
- DOI 10.23186/korea.000000235712.11009.0001177
- 본문언어 한국어
- 제출원본 000046071959
초록/요약
In this paper, we propose a color guided depth map super resolution method based on multi-scale convolutional neural network. The proposed method gradually improves resolution of the depth map by using scale information through the depth network. To train the network, the depth network is supervised by the down-sampled ground truth depth map. In addition, we reduced the number of trainable parameters through the sharing of the depth network. Experimental results demonstrate that the proposed method shows better performance than conventional methods.
more초록/요약
본 논문에서는 multi-scale convolutional neural network 를 사용한 colorguided depth map super-resolution 기법을 제안한다. 제안하는 기법은 각 스케일마다 depth 네트워크를 사용하여 depth 영상의 해상도를 점진적으로 향상시킨다. 이때, 네트워크를 더 쉽게 학습 시키고 성능을 높이기 위해서 스케일별로 보조 출력 영상을 구한 후, 같은 크기의 ground truth 와 비교하여 auxiliary supervision을 제공하였다. 또한, depth 네트워크를 공유하여 학습할 파라미터의 양을 줄였다. 제안하는 네트워크의 성능이 우수한 것을 실험결과를 통해 확인할 수 있다.
more목차
제 1장. Introduction 1
1.1 연구 배경 및 필요성 1
1.2 논문의 구성 4
제 2장. Related work 5
2.1 Multi-scale 6
2.2 Conventional methods 9
2.2.1 MSG-Net 9
2.2.2 DepthSR-Net 11
제 3장. Proposed method 13
3.1 Problem formulation 13
3.2 Proposed network structure 15
3.3 Loss functions 18
제 4장. Experimental results 20
4.1 Dataset & Implementation details 20
4.2 Self-comparisons about loss function 21
4.3 Comparisons with conventional methods 23
제 5장. Conclusion 28
