KR20210153229A - A method and apparatus for generating super resolve intensity image - Google Patents
A method and apparatus for generating super resolve intensity image Download PDFInfo
- Publication number
- KR20210153229A KR20210153229A KR1020200070044A KR20200070044A KR20210153229A KR 20210153229 A KR20210153229 A KR 20210153229A KR 1020200070044 A KR1020200070044 A KR 1020200070044A KR 20200070044 A KR20200070044 A KR 20200070044A KR 20210153229 A KR20210153229 A KR 20210153229A
- Authority
- KR
- South Korea
- Prior art keywords
- event
- stacks
- image
- intensity
- generating
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003062 neural network model Methods 0.000 claims abstract description 37
- 230000003287 optical effect Effects 0.000 claims description 24
- 238000002156 mixing Methods 0.000 claims description 6
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 32
- 230000006870 function Effects 0.000 description 10
- 230000002123 temporal effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 4
- 238000012805 post-processing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 2
- 208000006440 Open Bite Diseases 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000002679 ablation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
Description
본 발명은 고해상도 강도 이미지 생성 방법 및 장치에 관한 것으로, 더욱 상세하게는 이벤트 이미지를 이용한 고해상도 강도 이미지 생성 방법 및 장치에 관한 것이다.The present invention relates to a method and apparatus for generating a high-resolution intensity image, and more particularly, to a method and apparatus for generating a high-resolution intensity image using an event image.
뉴로모픽(neuromorphic) 카메라로 지칭될 수 있는 이벤트 카메라는 낮은 대기 시간과 낮은 전력 소비로 저렴한 비용과 높은 동적 감지 범위의 장점을 이용하여 컴퓨터 비전 및 로봇 공학 분야의 발전과 함께 발전하였다. Event cameras, which can be referred to as neuromorphic cameras, have developed along with advances in computer vision and robotics by taking advantage of low latency and low power consumption, low cost, and high dynamic sensing range.
이벤트 카메라는 낮은 대기 시간, 낮은 전력 및 낮은 메모리 소비 제약으로 높은 동적 범위 출력을 요구하는 시스템에서 높은 적용 가능성으로 인해 많은 주목을 받았다. Event cameras have attracted much attention due to their high applicability in systems requiring high dynamic range output with low latency, low power and low memory consumption constraints.
대부분의 상용 이벤트 카메라는 효율성을 위해 상대적으로 저해상도 이벤트 스트림을 생성한다. 이에, 많은 응용 프로그램에 대한 수많은 제안이 있지만, 이벤트에서 고해상도 이미지를 추정하는 것에 대한 연구는 미흡한 실정이다. Most commercial event cameras generate relatively low-resolution event streams for efficiency. Accordingly, there are numerous proposals for many applications, but studies on estimating high-resolution images from events are insufficient.
본 발명은 전술한 문제점을 해결하기 위하여 창출된 것으로, 고해상도 강도 이미지 생성 방법 및 장치를 제공하는 것을 그 목적으로 한다.The present invention was created to solve the above problems, and an object of the present invention is to provide a method and apparatus for generating a high-resolution intensity image.
또한, 본 발명은 다수의 이벤트 스택을 신경망(neural network) 모델에 입력하여 고해상도 강도 이미지(intensity image)를 생성하기 위한 방법 및 장치를 제공하는 것을 그 목적으로 한다. Another object of the present invention is to provide a method and apparatus for generating a high-resolution intensity image by inputting a plurality of event stacks into a neural network model.
본 발명의 목적들은 이상에서 언급한 목적들로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.Objects of the present invention are not limited to the objects mentioned above, and other objects not mentioned will be clearly understood from the description below.
상기한 목적들을 달성하기 위하여, 본 발명의 일 실시예에 따른 고해상도 강도 이미지 생성 방법은 (a) 이벤트 이미지를 획득하는 단계; (b) 상기 획득된 이벤트 이미지에 대한 다수의 이벤트 스택을 생성하는 단계; 및 (c) 상기 다수의 이벤트 스택을 신경망(neural network) 모델에 입력하여 강도 이미지(intensity image)를 생성하는 단계;를 포함할 수 있다. In order to achieve the above objects, a method for generating a high-resolution intensity image according to an embodiment of the present invention comprises the steps of: (a) acquiring an event image; (b) generating a plurality of event stacks for the acquired event images; and (c) generating an intensity image by inputting the plurality of event stacks into a neural network model.
실시예에서, 상기 (b) 단계는, 상기 이벤트 이미지의 각 픽셀에 대한 이벤트 스트림(event stream)을 생성하는 단계; 및 상기 생성된 이벤트 스트림을 분류하여 상기 다수의 이벤트 스택을 생성하는 단계;를 포함할 수 있다. In an embodiment, the step (b) comprises: generating an event stream for each pixel of the event image; and generating the plurality of event stacks by classifying the generated event stream.
실시예에서, 상기 (c) 단계는, 상기 다수의 이벤트 스택의 시퀀스(sequence)를 이용하여 다수의 광학 플로우(optical flow)를 생성하는 단계; 상기 생성된 다수의 광학 플로우를 이용하여 상기 다수의 이벤트 스택을 수정(rectify)하는 단계; 상기 수정된 다수의 이벤트 스택과 상기 다수의 이벤트 스택에 대한 상태(state) 정보를 이용하여 다수의 중간 강도 이미지(intermediate intensity image)를 생성하는 단계; 및 상기 다수의 중간 강도 이미지를 혼합(mix)하여 상기 강도 이미지를 생성하는 단계;를 포함할 수 있다. In an embodiment, the step (c) may include: generating a plurality of optical flows using a sequence of the plurality of event stacks; rectifying the plurality of event stacks using the generated plurality of optical flows; generating a plurality of intermediate intensity images using the modified plurality of event stacks and state information for the plurality of event stacks; and generating the intensity image by mixing the plurality of medium intensity images.
실시예에서, 상기 (c) 단계는, 상기 생성된 강도 이미지와 GT(ground truth) 이미지의 차이(difference)에 기반한 오차(error) 정보를 산출하는 단계; 및 상기 산출된 오차 정보를 이용하여 상기 신경망 모델을 학습시키는 단계;를 포함할 수 있다. In an embodiment, the step (c) may include calculating error information based on a difference between the generated intensity image and a ground truth (GT) image; and learning the neural network model using the calculated error information.
실시예에서, 상기 (c) 단계는, 상기 다수의 이벤트 스택의 시퀀스 중 중앙 스택(central stack)을 APS(active pixel sensor) 프레임으로 형성하는 단계; 및 상기 중앙 스택으로 형성된 APS 프레임과 상기 다수의 이벤트 스택의 시퀀스 중 상기 중앙 스택을 제외한 다수의 주변 스택(nearby stack)을 상기 신경망 모델에 입력하여 상기 강도 이미지를 생성하는 단계;를 포함할 수 있다. In an embodiment, the step (c) includes: forming a central stack among the sequence of the plurality of event stacks as an active pixel sensor (APS) frame; and generating the intensity image by inputting a plurality of nearby stacks excluding the central stack among the sequence of the APS frame formed as the central stack and the plurality of event stacks into the neural network model. .
실시예에서, 상기 고해상도 강도 이미지 생성 방법은, 상기 (c) 단계 이후에, 상기 다수의 이벤트 스택의 시퀀스 중 중앙 스택을 상기 생성된 강도 이미지로 형성하는 단계; 및 상기 중앙 스택으로 형성된 강도 이미지와 상기 다수의 이벤트 스택의 시퀀스 중 상기 중앙 스택을 제외한 다수의 주변 스택을 상기 신경망 모델에 입력하여 다른 강도 이미지를 생성하는 단계;를 더 포함할 수 있다. In an embodiment, the method for generating a high-resolution intensity image includes, after step (c), forming a central stack among the sequences of the plurality of event stacks as the generated intensity image; and generating another intensity image by inputting the intensity image formed as the central stack and a plurality of peripheral stacks excluding the central stack among sequences of the plurality of event stacks into the neural network model.
실시예에서, 고해상도 강도 이미지 생성 장치는, 이벤트 이미지를 획득하는 획득부; 및 상기 획득된 이벤트 이미지에 대한 다수의 이벤트 스택을 생성하고, 상기 다수의 이벤트 스택을 신경망(neural network) 모델에 입력하여 강도 이미지(intensity image)를 생성하는 제어부;를 포함할 수 있다. In an embodiment, the apparatus for generating a high-resolution intensity image includes: an acquisition unit configured to acquire an event image; and a controller that generates a plurality of event stacks for the acquired event image, and generates an intensity image by inputting the plurality of event stacks to a neural network model.
실시예에서, 상기 제어부는, 상기 이벤트 이미지의 각 픽셀에 대한 이벤트 스트림(event stream)을 생성하고, 상기 생성된 이벤트 스트림을 분류하여 상기 다수의 이벤트 스택을 생성할 수 있다. In an embodiment, the controller may generate an event stream for each pixel of the event image and classify the generated event stream to generate the plurality of event stacks.
실시예에서, 상기 제어부는, 상기 다수의 이벤트 스택의 시퀀스(sequence)를 이용하여 다수의 광학 플로우(optical flow)를 생성하고, 상기 생성된 다수의 광학 플로우를 이용하여 상기 다수의 이벤트 스택을 수정(rectify)하고, 상기 수정된 다수의 이벤트 스택과 상기 다수의 이벤트 스택에 대한 상태(state) 정보를 이용하여 다수의 중간 강도 이미지(intermediate intensity image)를 생성하고, 상기 다수의 중간 강도 이미지를 혼합(mix)하여 상기 강도 이미지를 생성할 수 있다. In an embodiment, the controller generates a plurality of optical flows by using a sequence of the plurality of event stacks, and modifies the plurality of event stacks by using the generated plurality of optical flows. (rectify), generating a plurality of intermediate intensity images using the modified plurality of event stacks and state information for the plurality of event stacks, and mixing the plurality of intermediate intensity images (mix) to generate the intensity image.
실시예에서, 상기 제어부는, 상기 생성된 강도 이미지와 GT(ground truth) 이미지의 차이(difference)에 기반한 오차(error) 정보를 산출하고, 상기 산출된 오차 정보를 이용하여 상기 신경망 모델을 학습시킬 수 있다. In an embodiment, the controller calculates error information based on a difference between the generated intensity image and a GT (ground truth) image, and trains the neural network model using the calculated error information. can
실시예에서, 상기 제어부는, 상기 다수의 이벤트 스택의 시퀀스 중 중앙 스택(central stack)을 APS(active pixel sensor) 프레임으로 형성하고, 상기 중앙 스택으로 형성된 APS 프레임과 상기 다수의 이벤트 스택의 시퀀스 중 상기 중앙 스택을 제외한 다수의 주변 스택(nearby stack)을 상기 신경망 모델에 입력하여 상기 강도 이미지를 생성할 수 있다. In an embodiment, the control unit forms a central stack among the sequences of the plurality of event stacks as an active pixel sensor (APS) frame, and among the sequence of the APS frame and the plurality of event stacks formed as the central stack A plurality of nearby stacks other than the central stack may be input to the neural network model to generate the intensity image.
실시예에서, 상기 제어부는, 상기 다수의 이벤트 스택의 시퀀스 중 중앙 스택을 상기 생성된 강도 이미지로 형성하고, 상기 중앙 스택으로 형성된 강도 이미지와 상기 다수의 이벤트 스택의 시퀀스 중 상기 중앙 스택을 제외한 다수의 주변 스택을 상기 신경망 모델에 입력하여 다른 강도 이미지를 생성할 수 있다. In an embodiment, the control unit is configured to form a central stack among the sequences of the plurality of event stacks as the generated intensity image, and a plurality of intensity images formed as the central stack and the sequence of the plurality of event stacks excluding the central stack can be input to the neural network model to generate different intensity images.
상기한 목적들을 달성하기 위한 구체적인 사항들은 첨부된 도면과 함께 상세하게 후술될 실시예들을 참조하면 명확해질 것이다.Specific details for achieving the above objects will become clear with reference to the embodiments to be described in detail below in conjunction with the accompanying drawings.
그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라, 서로 다른 다양한 형태로 구성될 수 있으며, 본 발명의 개시가 완전하도록 하고 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자(이하, "통상의 기술자")에게 발명의 범주를 완전하게 알려주기 위해서 제공되는 것이다.However, the present invention is not limited to the embodiments disclosed below, but may be configured in various different forms, and those of ordinary skill in the art to which the present invention pertains ( Hereinafter, "a person skilled in the art") is provided to fully inform the scope of the invention.
본 발명의 일 실시예에 의하면, 고 신뢰도의 고해상도 이미지를 생성하기 위해, 이벤트에서 픽셀 단위의 고해상도 강도 이미지를 엔드 투 엔드 방식으로 직접 추정하는 방법을 학습하고, 상세한 세부 정보(detail)와 아티팩트(artifact)가 적은 이미지를 고해상도화 할 수 있다. According to an embodiment of the present invention, in order to generate a high-resolution image with high reliability, a method for directly estimating a pixel-unit high-resolution intensity image in an event is learned in an end-to-end manner, and detailed information and artifacts ( Images with few artifacts can be made high-resolution.
또한, 본 발명의 일 실시예에 의하면, APS 프레임을 입력으로 고려하거나 신경망 모델을 반복적으로 학습하여 초기 이미지에 세부 정보를 추가함으로써 더 자세한 세부 정보를 갖는 강도 이미지를 생성할 수 있다. In addition, according to an embodiment of the present invention, an intensity image having more detailed information may be generated by considering an APS frame as an input or by repeatedly learning a neural network model and adding detailed information to an initial image.
본 발명의 효과들은 상술된 효과들로 제한되지 않으며, 본 발명의 기술적 특징들에 의하여 기대되는 잠정적인 효과들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.Effects of the present invention are not limited to the above-described effects, and potential effects expected by the technical features of the present invention will be clearly understood from the following description.
도 1a는 종래의 카메라 이미지를 도시한 도면이다.
도 1b는 본 발명의 일 실시예에 따른 이벤트 카메라의 이벤트 이미지를 도시한 도면이다.
도 2a 내지 2c는 본 발명의 일 실시예에 따른 이벤트 수 기반 이벤트 스택을 도시한 도면이다.
도 3a 내지 3c는 본 발명의 일 실시예에 따른 신경망 모델을 도시한 도면이다.
도 4a 및 4b는 본 발명의 일 실시예에 따른 이벤트 스택의 시퀀스를 도시한 도면이다.
도 5a 및 5b는 본 발명의 일 실시예에 따른 SRNet을 도시한 도면이다.
도 6a 내지 6c는 본 발명의 일 실시예에 따른 고해상도 강도 이미지 생성의 성능 비교를 도시한 도면이다.
도 7a 및 7b는 본 발명의 일 실시예에 따른 고해상도 강도 이미지 생성의 성능 그래프를 도시한 도면이다.
도 8a 및 8b는 본 발명의 일 실시예에 따른 다운스케일 출력의 성능 비교를 도시한 도면이다.
도 9는 본 발명의 일 실시예에 따른 손실 함수에 대한 성능 비교를 도시한 도면이다.
도 10은 본 발명의 일 실시예에 따른 HDR 시나리오에서의 이미지 재구성 비교를 도시한 도면이다.
도 11a는 본 발명의 다른 실시예에 따른 고해상도 강도 이미지 생성을 도시한 도면이다.
도 11b는 본 발명의 또 다른 실시예에 따른 고해상도 강도 이미지 생성을 도시한 도면이다.
도 12a 및 12b는 본 발명의 다양한 실시예에 따른 고해상도 강도 이미지 생성의 성능 비교를 도시한 도면이다.
도 13은 본 발명의 다양한 실시예에 따른 고해상도 강도 이미지 생성 방법을 도시한 도면이다.
도 14는 본 발명의 다양한 실시예에 따른 고해상도 강도 이미지 생성 장치의 기능적 구성을 도시한 도면이다.1A is a diagram illustrating a conventional camera image.
1B is a diagram illustrating an event image of an event camera according to an embodiment of the present invention.
2A to 2C are diagrams illustrating an event number-based event stack according to an embodiment of the present invention.
3A to 3C are diagrams illustrating a neural network model according to an embodiment of the present invention.
4A and 4B are diagrams illustrating a sequence of an event stack according to an embodiment of the present invention.
5a and 5b are diagrams illustrating an SRNet according to an embodiment of the present invention.
6A to 6C are diagrams illustrating a performance comparison of high-resolution intensity image generation according to an embodiment of the present invention.
7A and 7B are diagrams illustrating performance graphs of high-resolution intensity image generation according to an embodiment of the present invention.
8A and 8B are diagrams illustrating a performance comparison of downscale output according to an embodiment of the present invention.
9 is a diagram illustrating a performance comparison for a loss function according to an embodiment of the present invention.
10 is a diagram illustrating image reconstruction comparison in an HDR scenario according to an embodiment of the present invention.
11A is a diagram illustrating generation of a high-resolution intensity image according to another embodiment of the present invention.
11B is a diagram illustrating generation of a high-resolution intensity image according to another embodiment of the present invention.
12A and 12B are diagrams illustrating a performance comparison of high-resolution intensity image generation according to various embodiments of the present disclosure.
13 is a diagram illustrating a method of generating a high-resolution intensity image according to various embodiments of the present disclosure.
14 is a diagram illustrating a functional configuration of an apparatus for generating a high-resolution intensity image according to various embodiments of the present disclosure.
본 발명은 다양한 변경을 가할 수 있고, 여러 가지 실시예들을 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다. Since the present invention can have various changes and can have various embodiments, specific embodiments are illustrated in the drawings and described in detail.
청구범위에 개시된 발명의 다양한 특징들은 도면 및 상세한 설명을 고려하여 더 잘 이해될 수 있을 것이다. 명세서에 개시된 장치, 방법, 제법 및 다양한 실시예들은 예시를 위해서 제공되는 것이다. 개시된 구조 및 기능상의 특징들은 통상의 기술자로 하여금 다양한 실시예들을 구체적으로 실시할 수 있도록 하기 위한 것이고, 발명의 범위를 제한하기 위한 것이 아니다. 개시된 용어 및 문장들은 개시된 발명의 다양한 특징들을 이해하기 쉽게 설명하기 위한 것이고, 발명의 범위를 제한하기 위한 것이 아니다.Various features of the invention disclosed in the claims may be better understood upon consideration of the drawings and detailed description. The apparatus, methods, preparations, and various embodiments disclosed herein are provided for purposes of illustration. The disclosed structural and functional features are intended to enable those skilled in the art to specifically practice the various embodiments, and are not intended to limit the scope of the invention. The disclosed terms and sentences are for the purpose of easy-to-understand descriptions of various features of the disclosed invention, and are not intended to limit the scope of the invention.
본 발명을 설명함에 있어서, 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우, 그 상세한 설명을 생략한다.In describing the present invention, if it is determined that a detailed description of a related known technology may unnecessarily obscure the gist of the present invention, the detailed description thereof will be omitted.
이하, 본 발명의 일 실시예에 따른 고해상도 강도 이미지 생성 방법 및 장치를 설명한다.Hereinafter, a method and apparatus for generating a high-resolution intensity image according to an embodiment of the present invention will be described.
도 1a는 종래의 카메라 이미지를 도시한 도면이다. 도 1b는 본 발명의 일 실시예에 따른 이벤트 카메라의 이벤트 이미지를 도시한 도면이다. 도 2a 내지 2d는 본 발명의 일 실시예에 따른 이벤트 수 기반 이벤트 스택을 도시한 도면이다.1A is a diagram illustrating a conventional camera image. 1B is a diagram illustrating an event image of an event camera according to an embodiment of the present invention. 2A to 2D are diagrams illustrating an event number-based event stack according to an embodiment of the present invention.
도 1a를 참고하면, 기존의 카메라는 고정된 시간 간격으로 모든 픽셀의 프레임을 캡쳐하게 된다. Referring to FIG. 1A , a conventional camera captures frames of all pixels at fixed time intervals.
반면, 도 1b를 참고하면, 본 발명에 따른 이벤트 카메라는 최대 마이크로초 해상도(microsecond resolution)까지 이벤트 이미지(110)를 출력할 수 있다. 이 경우, 이벤트 이미지(110)의 각 픽셀이 강도 값(intensity value)을 변경할 때마다 이벤트가 생성될 수 있다. On the other hand, referring to FIG. 1B , the event camera according to the present invention may output the
일 실시예에서, 변경된 강도 값이 미리 정의된 임계값보다 큰 경우, 플러스 이벤트로 결정되고, 변경된 강도 값이 미리 정의된 임계값보다 작은 경우, 마이너스 이벤트로 결정될 수 있다. In an embodiment, if the changed intensity value is greater than a predefined threshold, it may be determined as a positive event, and if the changed intensity value is less than the predefined threshold, it may be determined as a negative event.
일 실시예에서, 이벤트 이미지(110)의 각 픽셀에 대한 이벤트 스트림(event stream)(120)이 생성될 수 있다. 이벤트 스트림(120)은 모든 픽셀에 대한 이벤트 위치와 정확한 시간 및 부호 정보를 포함할 수 있다. In one embodiment, an
이벤트 스트림(120)은 미리 정의된 임계값으로 강도 값의 변화량을 확인하여 픽셀 위치(x, y)의 강도 변화를 플러스 또는 마이너스 부호 ()로 비동기적으로 나타낼 수 있다. The
즉, 이벤트 스트림(120)은 정확한 타임스탬프(t)를 통해 의 지연 시간을 달성할 수 있으며, 발생 이벤트를 (x, y, t, ) 형식으로 표현할 수 있다. That is, the
다만, 이러한 이벤트 스트림(120)은 신경망 모델로 전달될 수 없다. 이 경우, 도 2a 내지 2c를 참고하면, 이벤트 스트림(120)은 이벤트 수에 기반한 스태킹(stacking based on the number of events, SBN)을 사용하여 더 작은 부분으로 스태킹되어, 다수의 이벤트 스택(210)으로 생성될 수 있다. However, this
SBN을 사용하면, 이벤트 스트림(120)의 타임스탬프에서 시작하여, 미리 정의된 수(Ne)에 도달할 때까지 이벤트 수를 계산하고, 이벤트 스택(210)에 하나의 채널을 형성하기 위해 이벤트를 누적할 수 있다. 이러한 과정은 각 이벤트 스택(210)에 대해 c번 반복될 수 있다. Using SBN, starting from the timestamp of the
따라서, 각 이벤트 스택(210)은 총 M=c Ne 이벤트를 포함하고, h w c의 차원을 가질 수 있다. 여기서, h 및 w는 각각 이미지의 폭 및 높이를 나타낸다. Thus, each
생성된 이벤트 스택(210)은 입력으로 신경망 모델에 공급될 수 있다. 해당 APS 프레임은 GT(ground truth) 스택의 마지막 이벤트의 타임스탬프에서 샘플링될 수 있다. The generated
일 실시예에서, 각 채널에서, 모든 픽셀 값은 처음에 128로 설정될 수 있다. 이벤트가 위치 (x, y)에서 트리거되면, 동일한 채널에서 (x, y)의 픽셀 값은 256(긍정 이벤트(positive event)) 또는 0(부정 이벤트(negative event)으로 변경될 수 있다. In one embodiment, in each channel, all pixel values may be initially set to 128. If an event is triggered at position (x, y), the pixel value of (x, y) in the same channel may change to 256 (positive event) or 0 (negative event).
새로운 이벤트는 이전 이벤트를 무시할 수 있으므로, 시공간 시각적 정보를 보다 잘 보존하기 위하여 M이 신중하게 선택될 수 있다. 프레임 레이트는 시간에 따른 각 이벤트 스택(210) 사이의 겹치는 이벤트 수와 Ne에 의해 결정될 수 있다.Since new events can ignore previous events, M can be carefully chosen to better preserve spatiotemporal visual information. The frame rate may be determined by Ne and the number of overlapping events between each
예를 들어, 3개의 채널이 있는 각 이벤트 스택(210)은 3,000개의 이벤트를 포함할 수 있으나, 이에 제한되지 않는다. For example, each
도 3a 내지 3c는 본 발명의 일 실시예에 따른 신경망 모델을 도시한 도면이다. 도 4a 및 4b는 본 발명의 일 실시예에 따른 이벤트 스택의 시퀀스를 도시한 도면이다.3A to 3C are diagrams illustrating a neural network model according to an embodiment of the present invention. 4A and 4B are diagrams illustrating a sequence of an event stack according to an embodiment of the present invention.
도 3a 내지 3c를 참고하면, 다수의 이벤트 스택(210)의 시퀀스(sequence)를 신경망 모델(300)에 입력할 수 있다. 3A to 3C , a sequence of a plurality of event stacks 210 may be input to the
예를 들어, 도 4a 및 4b를 참고하면, 다수의 이벤트 스택(210)의 시퀀스는 3개의 이벤트 스택(3S) 또는 7개의 이벤트 스택(7S)을 포함할 수 있다. 다만, 시퀀스에 포함되는 이벤트 스택의 개수는 제한되지 않는다. For example, referring to FIGS. 4A and 4B , the sequence of the plurality of event stacks 210 may include three
일 실시예에서, 3개의 이벤트 스택(3S)의 시퀀스의 경우, 시퀀스는 n번째 APS 타임스탬프의 이벤트 스택(SBNn), n번째 APS 타임스탬프 전의 이벤트 스택(SBNn-m) 및 n번째 APS 타임스탬프 후의 이벤트 스택(SBNn+m)을 포함할 수 있다. In one embodiment, for a sequence of three
이 경우, 각 이벤트 스택은 M(예: 3,000)개의 이벤트를 포함할 수 있으며, 종료 위치 m은 M개의 이벤트를 발생시키는 데 필요한 시간에 기반하여 이벤트 타임 라인에 따라 결정될 수 있다. SBNn은 3개의 시퀀스 중 중앙 스택(central stack)을 의미할 수 있다. In this case, each event stack may contain M (eg, 3,000) events, and the end position m may be determined according to the event timeline based on the time required to generate the M events. SBN n may mean a central stack among three sequences.
SBNn+m 및 SBNn-m은 이벤트 스택 간에 겹침(L = 0)이 없는 경우, 중앙 스택의 시작 또는 끝에서 각각 M개의 이벤트를 포함할 수 있다. SBN n+m and SBN nm may contain M events each at the beginning or end of the central stack, provided there is no overlap (L = 0) between the event stacks.
일 실시예에서, 더 높은 프레임 레이트를 생성하기 위해 이벤트 스택 간 오버랩(overlap)이 있을 수 있다. 이 경우, 다음 이벤트 스택의 끝은 중앙에서 겹친 양(M-L)을 뺀 후 M 개의 이벤트를 포함할 수 있다.In one embodiment, there may be overlap between event stacks to produce higher frame rates. In this case, the end of the next event stack may include M events after subtracting the overlapping amount (M-L) from the center.
일 실시예에서, 해당 타임스탬프(time stamp)에 대한 다수의 이벤트 스택(210)의 시퀀스를 플로우 네트워크(Flow Network, FNet)(310)에 입력하여 다수의 광학 플로우(optical flow)(321)를 생성할 수 있다. In one embodiment, a sequence of a plurality of
이벤트 스트림을 스태킹함에 따라 이벤트 스택 간의 시간적 관계를 잃을 수 있는데, 광학 플로우가 장면(scene)에서 트리거된 이벤트가 어떻게 이동하고 변경이 발생한 위치를 나타낼 때, 이벤트 스택(210)의 시퀀스와 각 이벤트 스택(210) 쌍 사이의 광학 플로우(321)를 사용하여 이벤트 스택(210) 간의 손실된 시간 관계를 부분적으로 복구할 수 있다. As you stack event streams, you can lose temporal relationships between event stacks, where the sequence of
예를 들어, SBNn+m 및 SBNn-m 각각은 SBN과 함께 이벤트 스택 사이의 광학 플로우(Fn+m 및 Fn-m)을 예측하기 위해 FNet(310)에 입력될 수 있다. 이에, 이벤트 스택은 FNet(310)에 의해 획득된 광학 플로우와 쌍(pair)으로 연결될 수 있다. For example, SBN n+m and SBN nm, respectively, can be input into
일 실시예에서, 다수의 광학 플로우(321)를 이벤트 기능 수정(Event Feature Rectification, EFR) 네트워크(311)에 입력하여 다수의 이벤트 스택(210)을 수정(rectify)할 수 있다. In one embodiment, multiple
이벤트를 스태킹하는 것의 또 다른 단점은 빠른 트리거링 위치에서 이전 이벤트 정보를 덮어버릴 수 있다(overwritten). 덮어 쓰여진 이벤트(overwritten event)는 블러 스택(blurry stack)을 초래하고, 결국 영상 재구성 품질이 저하될 수 있다. Another disadvantage of stacking events is that previous event information can be overwritten at the fast triggering location. An overwritten event may result in a blurry stack, which may eventually degrade image reconstruction quality.
이벤트 덮어 쓰기를 방지하기 위해, 두 개의 이벤트 스택(210)을 광학 플로우(321)와 연결하고, EFR 네트워크(311)에 입력될 수 있다. EFR 네트워크(311)는 각 이벤트의 세부 정보를 보존하기 위해 이벤트 스택을 통합할 수 있다. To prevent event overwriting, two
일 실시예에서, EFR 네트워크(311)는 두 개의 컨볼루션 레이어를 포함할 수 있다. In one embodiment, the
EFR 네트워크(311)는 두 개의 이벤트 스택(310)이 광학 플로우(321)와 관련될 수 없는 하나의 이벤트 스택(210)에만 보이는 위치에 이벤트가 있을 때 이미지를 재구성하는데 도움이 될 수 있다. EFR 네트워크(311)에 의해 세 개의 입력을 모두 사용하기 때문에, 이벤트가 강도 재구성을 위해 유지될 가능성이 높다. The
이 경우, 중앙 스택은 광학 플로우가 없기 때문에 추정되는 광학 플로우 없이 EFR 네트워크(311)에 입력될 수 있다. In this case, the central stack can be input to the
예를 들어, 쌍(pair)을 이룬 이벤트 스택(SBNn+m 및 SBNn)과 광학 플로우(Fn+m)의 조합을 수정하여, 수정된 이벤트 스택(REn+m)을 생성할 수 있다. For example, the combination of paired event stacks (SBN n+m and SBN n ) and optical flows (F n+m ) can be modified to generate a modified event stack (RE n+m ). have.
일 실시예에서, 수정된 다수의 이벤트 스택(322)과 다수의 이벤트 스택에 대한 상태(state) 정보(323)를 고해상도 네트워크(super-resolution network, SRNet)(312)에 입력하여 다수의 중간 강도 이미지(intermediate intensity image)(324)를 생성할 수 있다. In one embodiment, the modified
SRNet(312)은 수정된 이벤트 스택(REn+m)(과 이전 상태 정보(Staten)를 사용하여, 순차적 모델의 다음 상태 정보(Staten+m)와 중간 강도 출력(intermediate intensity output)(In+m)과 같은 고해상도 강도 이미지를 생성할 수 있다.
일 실시예에서, 초기 이벤트 스택의 경우, 첫 번째 이벤트 스택만 EFR 하위 네트워크에 공급되어 초기 Staten을 생성할 수 있다. In one embodiment, for the initial event stack, only the first event stack may be fed to the EFR sub-network to create an initial State n.
일 실시예에서, 다수의 중간 강도 이미지(324)를 혼합(mix) 네트워크(313)에 입력하여 강도 이미지(325)를 생성할 수 있다. In one embodiment, multiple
혼합 네트워크(313)는 다양한 시간 위치(i={n-m, n, n+m})에서 SRNet(312)의 출력(Ii)을 증가시켜 중앙 스택의 타임스탬프(n)에서 상세도가 높은 강도 이미지(On)(325)를 재구성할 수 있다. 일 실시예에서, 혼합 네트워크(313)는 컨볼루션 레이어를 사용하여 세부 이미지로 강도 이미지를 재구성할 수 있다. The mixed network 313 increases the output (I i ) of the
이벤트 스택(210)은 연속적인 이벤트 스트림을 개별 입력으로 양자화하기 때문에, 각 이벤트 스택(210)은 이미지 재구성에 필요한 모든 세부 정보를 포함하지 않을 수 있다. 따라서, 모든 이벤트 스택(210)으로부터의 중간 강도 출력(324)은 혼합 네트워크(313)에 의해 혼합되어 상세한 세부 정보로 강도 이미지(325)를 재구성할 수 있다.Because event stacks 210 quantize successive event streams into individual inputs, each
일 실시예에서, 유사성 손실(similarity loss, Sim) 함수(314)를 이용하여 강도 이미지(325)와 GT(ground truth) 이미지(326)의 차이(difference)에 기반한 오차(error) 정보를 산출할 수 있다. In one embodiment, a similarity loss (Sim) function 314 is used to calculate error information based on the difference between the
일 실시예에서, 재구성된 강도 이미지(O)와 GT 이미지(G)가 주어지면, 하기 <수학식 1>과 같이 두 개의 항으로 유사성 손실 함수Lsim(O, G)를 결정할 수 있다. In an embodiment, given the reconstructed intensity image (O) and the GT image (G), the similarity loss function L sim (O, G) can be determined with two terms as in Equation 1 below.
여기서, 는 두 항의 밸런싱 파라미터를 나타낸다. 매개 변수를 학습하기 위해 최소화할 수 있다.here, represents the balancing parameters of the two terms. It can be minimized to learn parameters.
먼저, 첫 번째 항()은 l1 norm과 같은 비구조적 손실을 사용하여, 보다 선명한 이미지를 l2가 아닌 하기 <수학식 2>와 같이 재구성하여, 출력 이미지에서 낮은 주파수 텍스처로 가장자리를 부드럽게 만들 수 있다. First, the first term ( ) can use a non-structural loss such as l 1 norm to reconstruct a sharper image as in Equation 2 below instead of l 2 , and smooth the edges with a low-frequency texture in the output image.
두 번째 항()의 경우, l1은 장면의 구조적 정보를 잃을 수 있기 때문에, LPIPS(Learned Perceptual Image Patch Similarity) 또는 지각적 유사성(perceptual similarity)에 의해 목적 함수의 두 번째 항인 구조적 부족을 보상할 수 있다. second term ( ), since l 1 can lose the structural information of the scene, the structural lack, the second term of the objective function, can be compensated by LPIPS (Learned Perceptual Image Patch Similarity) or perceptual similarity.
구체적으로, 사전 훈련된 네트워크에 의해 인코딩된 한 쌍의 이미지(O, G)가 주어지면, l번째 레이어의 니어 엔드피처(near end feature)()가 추출되고, 그것의 활성화는 채널 차원(Hl, Wl)에 의해 정규화될 수 있다. Specifically, given a pair of images (O, G) encoded by the pretrained network, the near end feature of the l-th layer ( ) is extracted, and its activation can be normalized by the channel dimension (H 1 , W 1 ).
그런 다음 각 채널은 벡터 wl에 의해 스케일링되고 l2 거리가 계산될 수 있다. 마지막으로, 공간 평균은 하기 <수학식 3>과 같이 LPIPS 손실에 대해 모든 레이어(l)를 통해 이미지 축(h, w)에 대해 계산될 수 있다.Then each channel is scaled by the vector w l and the l 2 distance can be calculated. Finally, the spatial average can be calculated for the image axes (h, w) through all the layers (l) for the LPIPS loss as shown in Equation 3 below.
이후, 오차 정보를 이용하여 신경망 모델(300)을 학습시킬 수 있다. 즉, 혼합 네트워크(313)의 출력은 유사도 네트워크(Sim)(314)에 제공되어 오류 정보(Err)를 기반으로 신경망 모델(300)의 매개 변수를 최적화할 수 있다. Thereafter, the
도 5a 및 5b는 본 발명의 일 실시예에 따른 SRNet(312)을 도시한 도면이다.5A and 5B are diagrams illustrating an
도 5a 및 5b를 참고하면, SRNet(312)은 제1 내지 제4 네트워크의 조합으로 구성될 수 있다. 예를 들어, 제1 내지 제4 네트워크는 RNet-A(510), RNet-B(520), RNet-C(530) 및 RNet-D(540) 또는 이와 동등한 기술적 의미를 갖는 용어로 지칭될 수 있다. Referring to FIGS. 5A and 5B , the
이 경우, 이전 상태(Staten)는 RNet-A(510)로, 이벤트의 입력 REn+m은 RNet-C(530)로 전달될 수 있다. RNet-C(530)는 입력 이벤트 스택을 처리해야 하므로 다른 3개의 네트워크보다 깊을 수 있다(deep).In this case, the previous state (Staten) may be transferred to the RNet-A (510), the input RE n+m of the event may be transferred to the RNet-C (530). RNet-
RNet-A(510)에서 RNet-C(530)의 출력을 빼면 RNet-B(520)는 상태가 아닌 이벤트에서 주로 새로운 세부 정보(en)를 전달받을 수 있다. If the output of the RNet-
RNet-B(520)의 출력은 다음 상태를 만들기 위해 RNet-C(530)의 출력에 추가될 수 있다. 추가된 결과값은 상태 Staten+m을 생성할 수 있고, RNet-D(540)로 전달되어 중간 강도 출력 In+m을 생성할 수 있다. The output of RNet-
일 실시예에서, 스택하는 이벤트 스트림의 각 부분이 출력 이미지의 세부 정보를 캡처하고 원래는 연속적이지만 스태킹 방법으로 양자화되기 때문에, SRNet(312)에 대해 반복적인 신경망이 사용될 수 있다. In one embodiment, an iterative neural network may be used for
불연속성을 완화하기 위해, 반복되는 신경망의 내부 메모리 상태를 활용하여, 각 수신 스택에 의해 상태가 내부적으로 업데이트됨에 따라, 상세한 세부 정보를 가진 여러 영역을 연속적으로 재구성할 수 있다. 특히, 단일 이벤트 스택은 스택 범위에는 없지만, 이전 스택에서 캡처한 이전에 실행된 이벤트에서 중요한 세부 정보를 부분적으로 놓칠 수 있다.To mitigate the discontinuity, we can utilize the internal memory state of the iterative neural network to successively reconstruct multiple regions with detailed details as the state is updated internally by each receive stack. In particular, a single event stack is not at stack scope, but you may partially miss important details from previously executed events captured by the previous stack.
스태킹된 이벤트는 U-net과 같은 심층 신경망에 의해 강도 이미지를 합성할 수 있는 것으로 나타났습니다. 아키텍처적으로, 더 많은 필터와 더 큰 커널 크기로 15 블록 깊이의 ResNet을 사용하여 아이디어를 확장할 수 있다. It has been shown that stacked events can synthesize intensity images by deep neural networks such as U-nets. Architecturally, the idea can be extended by using
특히, MISR에서 잘 설계된 네트워크에 따라, 고해상도 강도를 위해 잔존 학습의 힘을 사용할 수 있다. 수정된 이벤트 특징을 SR 강도 생성기(RNet-C)로 전송한다. RNet-C(530)는 전치된(transposed) 컨볼루션 연산의 조합에 의해 초기 SR 강도 이미지 상태를 생성할 수 있다.In particular, according to a well-designed network in MISR, we can use the power of residual learning for high-resolution intensity. Send the modified event characteristics to the SR strength generator (RNet-C). RNet-
SRNet(312)은 강도 정보를 추가하면서 입력 RE를 업스케일링하도록 설계될 수 있다.
더하여, 2개의 컨볼루션 레이어를 포함하는 5개의 ResNet 블록으로 구성된 3개의 잔여 네트워크(RNet-{A, B, D})의 조합이 사용될 수 있다. 이러한 네트워크는 수정된 이벤트가 아닌 이전 상태의 특징과 같은 표현을 인코딩하기 때문에, 이 네트워크는 RNet-C보다 얕다(shallower). In addition, a combination of three residual networks (RNet-{A, B, D}) consisting of five ResNet blocks containing two convolutional layers can be used. These networks are shallower than RNet-C because these networks encode representations such as features of the previous state rather than modified events.
업샘플링 인코더로 작동하는 RNet-A(510)의 출력을 RNet-C(530)의 출력에서 빼서 내부 오류(internal error)(en)를 생성할 수 있다. 이 오류는 하기 <수학식 4>와 같이 현재 수정된 이벤트 스택 REn+m이 이전 상태 Staten과 비교하여 어느 정도 기여하는지 측정하기 위해 사용될 수 있다. It is possible to generate an internal error (internal error) (en) by subtracting the output of the RNet-A (510) operating as an upsampling encoder from the output of the RNet-C (530). This error may be used to measure how much the currently modified event stack RE n+m contributes compared to the previous state Staten as shown in Equation 4 below.
상기 오류는 일반 인코더로 작동하는 RNet-B(520)에 대한 입력으로 제공될 수 있다. The error may be provided as an input to the RNet-
일 실시예에서, 하기 <수학식 5>와 같이 RNet-C(530)의 출력과 합산된 RNet-B의 출력으로 다음 상태(Staten+m)가 결정될 수 있다. In an embodiment, as shown in Equation 5 below, the next state (State n+m ) may be determined as the output of the RNet-B summed with the output of the RNet-
일 실시예에서, Staten+m은 최종 디코더(RNet-D)에 제공되어, 하기 <수학식 6>과 같이 중간 강도 출력(In+m)을 생성한다. In one embodiment, State n+m is provided to the final decoder (RNet-D) to generate an intermediate intensity output (I n+m ) as shown in Equation 6 below.
일반적으로, RNet-C(530)는 이전 이벤트 스택에 의해 놓쳐진 장면에 대한 세부 정보를 추가하여, 현재 이벤트 스택의 새로운 정보를 이전 상태로 추가할 수 있다. In general, RNet-
현재 이벤트 스택에 의해 캡처된 일부 영역에 이벤트가 없지만, 이전 이벤트 스택에 의해 캡처된 영역에 장면 세부 정보가 있는 경우에도 이전 상태(Staten)는 RNet-A(510)를 통해 해당 정보를 숨김 상태(hidden)로 유지하여 오히려 빠진 지역에서 장면 세부 정보를 재구성할 수 있다. Even if there are no events in some area captured by the current event stack, but scene details in the area captured by the previous event stack, the previous Staten hides that information via RNet-A (510). hidden), rather than reconstructing the scene details in the missing region.
도 6a 내지 6c는 본 발명의 일 실시예에 따른 고해상도 강도 이미지 생성의 성능 비교를 도시한 도면이다.6A to 6C are diagrams illustrating a performance comparison of high-resolution intensity image generation according to an embodiment of the present invention.
도 6a 내지 6c를 참고하면, 정성 분석을 위해, EV에 의한 강도 재구성, EV+MISR 및 실제 방법 및 시뮬레이션된 시퀀스에 대한 본 발명에 따른 방법(Ours)의 성능 비교를 확인할 수 있다. 6A to 6C , for qualitative analysis, performance comparison of the method (Ours) according to the present invention to the intensity reconstruction by EV, EV+MISR, and the actual method and the simulated sequence can be confirmed.
일 실시예에서, EG는 이벤트의 장면 세부정보를 항상 재구성하지는 않으며, 때로는 불완전한 아티팩트(jittery artifacts)을 야기할 수 있다(hallucinate). In one embodiment, the EG does not always reconstruct the scene details of an event, sometimes hallucinates with jittery artifacts.
EV는 EG보다 상대적으로 더 나은 이벤트의 장면 세부 정보를 재구성하는 반면, 그림자 같은 아티팩트를 생성하고 장면의 일부 영역을 어둡게할 수 있다. While EV reconstructs scene details of an event relatively better than EG, it can create artifacts such as shadows and darken some areas of the scene.
또한, 데이터에 핫 픽셀(hot pixel)이 있는 경우, EV는 핫 픽셀을 필터링하지 않을 수 있다. EV의 결과에 흰색 또는 검은 색 점이 나타나는 반면, 본 발명에 따른 방법은 대부분 명시적인 조작 없이 흰색 또는 검은 색 점을 제거하여 필터링할 수 있다. Also, if there are hot pixels in the data, the EV may not filter the hot pixels. While white or black dots appear in the results of EV, the method according to the present invention can mostly filter by removing white or black dots without explicit manipulation.
도 7a 및 7b는 본 발명의 일 실시예에 따른 고해상도 강도 이미지 생성의 성능 그래프를 도시한 도면이다.7A and 7B are diagrams illustrating performance graphs of high-resolution intensity image generation according to an embodiment of the present invention.
도 7a 및 7b를 참고하면, 성능 검증을 위해 이벤트 카메라 시뮬레이터(event camera simulator, ESIM)와 4개의 다양한 실제 공개 데이터 세트를 사용하여 생성된 시퀀스가 사용될 수 있다. 7A and 7B , sequences generated using an event camera simulator (ESIM) and four different actual public data sets may be used for performance verification.
정량 분석의 경우, 0(비유사)에서 1(완전 유사) 사이에서의 간격으로서 구조적 유사성(structural similarity, SSIM), PSNR(dB)(로그 스케일)을, 평균 제곱 오차(mean squared error, MSE) 및 지각 유사성(LPIPS)를 두 이미지에서 높은 수준의 기능의 유사성을 평가하기 위한 지표로 사용할 수 있다. For quantitative analysis, structural similarity (SSIM), PSNR (dB) (log scale) as the interval from 0 (dislike) to 1 (completely similar), mean squared error (MSE) and Perceptual Similarity (LPIPS) can be used as indicators to evaluate the similarity of high-level functions in two images.
이 경우, 본 발명에 따른 방법(Ours)이 SSIM 값이 높고, MSE 값이 낮으며, LPIPS 값이 낮음을 확인할 수 있으며, 이에 따라, 본 발명에 따른 방법의 성능이 종래의 다른 기술들보다 우수함을 확인할 수 있다. In this case, it can be seen that the method (Ours) according to the present invention has a high SSIM value, a low MSE value, and a low LPIPS value, and thus the performance of the method according to the present invention is superior to that of other conventional techniques. can confirm.
일 실시예에서, 이벤트에서 직접 재구성 SR 강도 이미지를 최초로 제안하기 때문에 직접비교할 수 있는 방법은 없기 때문에, 먼저 출력을 다운샘플링하고, 동일한 크기의 강도 재구성 방법과 비교하여, 재구성 품질을 평가할 수 있다. 그런 다음, 본 발명에 따른 방법을 최신의 초 고해상도(SR) 방법과 결합된 종래의 강도 재구성 방법과 비교할 수 있다. In one embodiment, since there is no direct comparison method since we first propose a reconstructed SR intensity image directly from an event, we can first downsample the output and compare it with the intensity reconstruction method of the same size to evaluate the reconstruction quality. The method according to the present invention can then be compared with a conventional intensity reconstruction method combined with a state-of-the-art super-resolution (SR) method.
일 실시예에서, 고해상도 없는 이미지 재구성의 경우, 본 발명에 따른 방법의 다운 샘플링된 출력을 종래의 기술과 비교할 수 있다. 표기법 간결성을 위해 고역 통과 필터(high pass filter) 방법을 HF로, 매니 폴드 정규화(manifold regularization)은 MR로, 비디오 생성 이벤트(event to video generation)는 EV로, 조건부 GAN에 의한 이벤트 강도(event to intensity by conditional GANs)는 EG 또는 이와 동등한 기술적 의미를 갖는 용어로 지칭될 수 있다. In an embodiment, in the case of image reconstruction without high resolution, the down-sampled output of the method according to the invention can be compared with the prior art. For notational brevity, the high pass filter method is HF, manifold regularization is MR, event to video generation is EV, and event to video generation by conditional GAN. intensity by conditional GANs) may be referred to as EG or a term having an equivalent technical meaning.
많은 실제 이벤트 데이터 세트의 평가 프로토콜에 따라 APS 프레임은 GT로 간주될 수 있다. According to the evaluation protocol of many real event data sets, APS frames can be considered as GTs.
일 실시예에서, 하기 <표 1> 내지 <표 3>을 참고하면, 본 발명에 다른 방법(Ours)은 LPIPS의 다른 종래의 방법보다 우수함을 확인할 수 있다. 또한, 본 발명에 따라 재구성된 강도 이미지가 종래의 방법보다 지각적으로 더 우수하고, 여러 시퀀스에서 높은 SSIM 점수와 EG와 비슷한 MSE 오류를 나타냄을 확인할 수 있다. In one embodiment, referring to <Table 1> to <Table 3>, it can be seen that the method (Ours) according to the present invention is superior to other conventional methods of LPIPS. In addition, it can be confirmed that the intensity image reconstructed according to the present invention is perceptually superior to the conventional method, and exhibits high SSIM scores and MSE errors similar to EG in several sequences.
EV와 마찬가지로, 합성 시퀀스(synthetic sequence)로만 모델을 학습하고 실제 시퀀스(real world sequence)에 적용할 수 있다. 미세 조정 없이 이 까다로운 제로 샷 데이터 전송설정에서 실제 이벤트에서 다른 방법보다 성능이 우수함을 확인할 수 있다. LPIPS(EV 및 EG)의 두 가지 실행 방법도 학습 기반 프레임 워크를 사용할 수 있다.As with EV, a model can only be trained on a synthetic sequence and applied to a real world sequence. In this tricky zero-shot data transfer setup without fine tuning, you can see that it outperforms other methods in real-world events. Two implementation methods of LPIPS (EV and EG) can also use learning-based frameworks.
고해상도 이미지 재구성의 경우, 강도 재구성 알고리즘에 대한 종래의 이벤트를 종래의 SR 방법과 결합하고, 본 발명에 따른 방법(Ours)과 비교할 수 있다. 강도 알고리즘에 대한 종래의 이벤트에 대하여, EV는 SSIM 및 LPIPS의 EG를 대부분의 시퀀스에서 평균적으로 성능을 능가하여 수행하는 학습 방식이기 때문에, EV가 사용될 수 있다. For high-resolution image reconstruction, the conventional event for the intensity reconstruction algorithm can be combined with the conventional SR method and compared with the method according to the invention (Ours). For conventional events for strength algorithms, EV can be used because EV is a learning scheme that performs EG of SSIM and LPIPS on average outperformed in most sequences.
도 7b를 참고하면, 고해상도 알고리즘의 경우, 하나는 SISR(single image SR, SISR)과 다른 하나는 MISR(multiple image SR)의 두 가지 고해상도 알고리즘이 사용될 수 있다. 이 경우, 하기 <표 4>를 참고하면, 본 발명에 따른 방법(Ours)은 큰 마진에 의한 모든 메트릭(metric)에서 SR 알고리즘과 결합된 종래의 강도 재구성 알고리즘보다 성능이 우수함을 확인할 수 있다. ESIM에서 생성한 데이터 세트에서 30개의 시퀀스가 사용될 수 있다. Referring to FIG. 7B , in the case of a high-resolution algorithm, two high-resolution algorithms, one of which are single image SR (SISR) and the other of which are multiple image SR (MISR), may be used. In this case, referring to <Table 4> below, it can be confirmed that the method (Ours) according to the present invention has better performance than the conventional strength reconstruction algorithm combined with the SR algorithm in all metrics by a large margin. 30 sequences can be used in the data set generated by ESIM.
도 8a 및 8b는 본 발명의 일 실시예에 따른 다운스케일 출력의 성능 비교를 도시한 도면이다.8A and 8B are diagrams illustrating a performance comparison of downscale output according to an embodiment of the present invention.
도 8a 및 8b를 참고하면, 또 다른 데이터 세트의 시퀀스에 대한 실험을 수행하고, 본 발명에 따른 방법을 종래의 EG 및 EV와 질적으로 비교할 수 있다. 이 경우, 본 발명에 따른 방법은 손가락 끝이나 질감과 같은 동일한 크기의 이미지를 구성할 때 보이지 않는 세부 정보를 나타낼 수 있다.Referring to Figures 8a and 8b, it is possible to perform an experiment on a sequence of another data set, and to compare the method according to the present invention qualitatively with conventional EG and EV. In this case, the method according to the present invention may reveal detailed information that is not visible when composing an image of the same size, such as a fingertip or texture.
도 9는 본 발명의 일 실시예에 따른 손실 함수에 대한 성능 비교를 도시한 도면이다.9 is a diagram illustrating a performance comparison for a loss function according to an embodiment of the present invention.
도 9를 참고하면, 손실 항목(Loss Term) 분석(Lsim)의 경우, 손실 함수를 제거(ablate)하여, 하기 <표 5>와 같이 이미지 재구성에 대한 각 항목(term)의 영향을 확인할 수 있다. Referring to FIG. 9 , in the case of loss term analysis (Lsim), the loss function is ablated, and the influence of each term on image reconstruction can be confirmed as shown in Table 5 below. .
모든 분석 및 절제(ablation) 연구는 고품질 GT를 사용한 신뢰할 수 있는 정량 분석을 위해 시뮬레이션된 데이터로 수행될 수 있다. Ll1 항(term)만 사용하면, PSNR에서 더 나은 성능을 볼 수 있지만, 시각적으로 선명하지 않은 이미지를 만들어, 다른 모든 메트릭에서 성능이 저하됨을 확인할 수 있다. All analysis and ablation studies can be performed with simulated data for reliable quantitative analysis using high-quality GT. Using only the L11 term, we can see better performance in PSNR, but it produces visually blurry images, which we can see that the performance degrades in all other metrics.
LPIPS 항만 사용하면, 이미지가 시각적으로 수용 가능하지만, 이벤트가 적은 영역과 가장자리에 점과 같은 아티팩트가 있는 낮은 PSNR의 단점이 있다. l1과 LPIPS의 결합인 손실 함수 Lsim은 PSNR 및 LPIPS가 약간 감소하여 SSIM 및 MSE에서 최고 성능을 발휘하지만 시각적으로 가장 우수한 이미지를 만들 수 있다.Using only the LPIPS term, the image is visually acceptable, but has the disadvantage of low event area and low PSNR with dot-like artifacts at the edges. The loss function Lsim, which is a combination of l1 and LPIPS, has the best performance in SSIM and MSE with a slight decrease in PSNR and LPIPS, but can produce the best visual image.
고해상도 파라미터 분석의 경우, 두 가지 SR 매개 변수의 영향을 평가할 수 있다. 예를 들어, 두 가지 SR 매개 변수는 출력 품질에 대한 업스케일 팩터(2x, 4x) 및 스택 시퀀스(3S, 7S)의 크기를 포함할 수 있다. 평가 결과는 하기 <표 6>과 같이 나타낼 수 있다. For high-resolution parametric analysis, the influence of two SR parameters can be evaluated. For example, the two SR parameters may include an upscale factor for output quality (2x, 4x) and the size of the stack sequence (3S, 7S). The evaluation results may be shown in Table 6 below.
3S와 7S를 비교하면, 7S가 모든 메트릭에서 더 나은 성능을 제공한다는 것을 알 수 있다. 이는 시퀀스에 대한 재귀(recursion)가 길수록 숨김 상태(hidden state)가 보다 안정적으로 생성되어 더 나은 품질의 결과를 얻을 수 있음을 의미할 수 있다. 또한 더 긴 시퀀스를 사용하는 경우, 더 큰 재귀에 대한 롤링을 해제하면(unrolling), 짧은 이벤트의 정보를 유지하는데 도움이 되므로, 짧은 기간 동안만 발생하는 이벤트를 캡처할 가능성이 높을 수 있다. Comparing 3S and 7S, it can be seen that 7S provides better performance in all metrics. This may mean that the longer the recursion for the sequence is, the more stably a hidden state is generated, resulting in better quality results. Also, when using longer sequences, unrolling for larger recursion can help keep information of shorter events, so you're more likely to capture events that only happen for a shorter period of time.
알고리즘이 이벤트가 없는 넓은 공간 위치를 처리하는 것은 쉽지 않기 때문에, 이벤트를 더 큰 이미지로 고해상도화 하는 것이 더 어려울 수 있다. MSE는 2x에 비해 감소했지만, 이는 분모의 숫자가 이미지의 크기로 인해 더 크고 출력 품질과 관련이 많지 않기 때문일 수 있다.Because it is not easy for the algorithm to handle large spatial locations where there are no events, it can be more difficult to get high-resolution events into larger images. MSE decreased compared to 2x, but this may be because the number in the denominator is larger due to the size of the image and not much related to the output quality.
도 10은 본 발명의 일 실시예에 따른 HDR 시나리오에서의 이미지 재구성 비교를 도시한 도면이다.10 is a diagram illustrating image reconstruction comparison in an HDR scenario according to an embodiment of the present invention.
도 10을 참고하면, HDR 시퀀스에 대한 정성 분석의 경우, 이벤트 카메라를 사용하는 한 가지 어려운 시나리오는 극도의 동적 범위에서 이벤트를 캡처하는 것일 수 있다. Referring to FIG. 10 , for a qualitative analysis of an HDR sequence, one difficult scenario using an event camera may be to capture events in an extreme dynamic range.
이러한 극한 조건에서 출력을 정성적으로 분석하고 이를 EV와 비교할 수 있다. APS 프레임을 포함한 일반 카메라는 동적 범위가 훨씬 낮고 검은색 영역(카메라가 상단 열에 표시된 감지 범위에서 강도 세부 정보를 감지하지 못하는 경우) 또는 흰색 영역 (카메라에 빛이 쏟아져 카메라가 하단 열에 표시된 감지 범위보다 높을 수 없는 경우)을 생성할 수 있다. Under these extreme conditions, the output can be qualitatively analyzed and compared to the EV. Normal cameras, including APS frames, have a much lower dynamic range and have either black areas (if the camera fails to detect intensity details in the detection range shown in the upper column) or white areas (the camera is flooded with light, causing the camera to exceed the detection range shown in the lower column). cannot be high).
본 발명에 따른 방법이 더 높은 범위를 다루고 EV와 APS 프레임이 포착하지 못하는 더 많은 구조적 세부 정보를 나타낼 수 있음을 확인할 수 있다. It can be seen that the method according to the present invention covers a higher range and can reveal more structural details that EV and APS frames do not capture.
일 실시예에서, 실패 모드(Failure Mode) 분석의 경우, 실패 사례는 대부분 전경 개체(foreground object)가 빠르게 움직일 때 긴 궤적에 대한 배경 세부정보(background detail)가 누락된 것과 관련이 있다. 이러한 시퀀스에서, 본 발명에 따른 방법은 중앙 스택까지 제한된 시간 거리에 있는 장면의 일부만 복구할 수 있다. In one embodiment, in the case of failure mode analysis, most failure cases are related to missing background detail for a long trajectory when a foreground object moves rapidly. In such a sequence, the method according to the invention is only able to recover a part of the scene which is a limited time distance to the central stack.
도 11a는 본 발명의 다른 실시예에 따른 고해상도 강도 이미지 생성을 도시한 도면이다.11A is a diagram illustrating generation of a high-resolution intensity image according to another embodiment of the present invention.
도 11a를 참고하면, 다수의 이벤트 스택(210)의 시퀀스 중 중앙 스택(central stack)을 APS(active pixel sensor) 프레임으로 형성할 수 있다. Referring to FIG. 11A , a central stack among sequences of a plurality of event stacks 210 may be formed as an active pixel sensor (APS) frame.
중앙 스택으로 형성된 APS 프레임과 다수의 이벤트 스택(210)의 시퀀스 중 중앙 스택을 제외한 다수의 주변 스택(nearby stack)을 신경망 모델(300)에 입력하여 강도 이미지(325)를 생성할 수 있다. An
즉, APS 프레임을 보완(complementary)으로 사용하는 경우, APS 프레임을 사용하여 신경망 모델(300)의 초기 상태를 중앙 스택으로 훈련하고, 이벤트 스택을 주변 스택(nearby stack)으로 제공할 수 있다. 신경망 모델은 APS 프레임을 포함하는 입력으로부터 더 높은 해상도의 세부 정보를 추가하는 것을 학습할 수 있다. That is, when the APS frame is used as a complement, the initial state of the
도 11b는 본 발명의 또 다른 실시예에 따른 고해상도 강도 이미지 생성을 도시한 도면이다.11B is a diagram illustrating generation of a high-resolution intensity image according to another embodiment of the present invention.
도 11b를 참고하면, 본 발명의 일 실시예에 따른 고해상도 강도 이미지 생성 방법에 따라 강도 이미지(325)를 생성한 후, 다수의 이벤트 스택(210)의 시퀀스 중 중앙 스택을 상기 생성된 강도 이미지(325)로 형성할 수 있다. Referring to FIG. 11B , after generating an
중앙 스택으로 형성된 강도 이미지(325)와 다수의 이벤트 스택(210)의 시퀀스 중 중앙 스택을 제외한 다수의 주변 스택을 신경망 모델에 입력하여 다른 강도 이미지를 생성할 수 있다. Among the sequences of the
즉, APS 프레임을 사용하지 않지만, 신경망 모델(300)을 두 번의 반복하는 듀오 패스(Duo-Pass)를 사용하는 경우, 첫 번째 패스에서는 신경망 모델(300)의 기본 체계를 사용하여 이벤트 스택을 이용하여 강도 이미지를 생성할 수 있다. That is, if an APS frame is not used, but a duo-pass that repeats the
두 번째 패스에서는, 중앙 스택으로 첫 번째 패스의 합성된 강도 이미지를 사용할 수 있다. 듀오 패스를 통해 APS 프레임의 도움 없이 첫 번째 패스에서 누락된 HR 세부 정보를 추가로 복구할 수 있다. In the second pass, we can use the composite intensity image of the first pass as the central stack. The duo pass allows further recovery of HR details that were missing from the first pass without the aid of APS frames.
도 12a 및 12b는 본 발명의 다양한 실시예에 따른 고해상도 강도 이미지 생성의 성능 비교를 도시한 도면이다.12A and 12B are diagrams illustrating a performance comparison of high-resolution intensity image generation according to various embodiments of the present disclosure.
도 12a 및 12b를 참고하면, GT로 간주되는 APS 프레임과 함께 원래의 보완(complementary) 및 듀오 패스(Duo-pass)의 샘플 출력을 확인할 수 있다.Referring to FIGS. 12A and 12B , it is possible to check the sample output of the original complementary (complementary) and duo-pass (Duo-pass) along with the APS frame regarded as GT.
듀오 패스 방식은 원본(original)과 비교하여 더 많은 세부 사항을 추가할 수 있다. 보완 방식은 훨씬 더 많은 세부 사항을 추가하고, APS 프레임 방식보다 훨씬 더 많은 디테일로 이미지를 재구성 할 수 있다.The duo pass method can add more detail compared to the original. The complementary approach adds a lot more detail and allows the image to be reconstructed with much more detail than the APS frame method.
도 13은 본 발명의 일 실시예에 따른 고해상도 강도 이미지 생성 방법을 도시한 도면이다.13 is a diagram illustrating a method for generating a high-resolution intensity image according to an embodiment of the present invention.
도 13을 참고하면, S1301 단계는, 이벤트 이미지(110)를 획득하는 단계이다. Referring to FIG. 13 , step S1301 is a step of acquiring the
S1303 단계는, 이벤트 이미지(110)에 대한 다수의 이벤트 스택(210)을 생성하는 단계이다. Step S1303 is a step of generating a plurality of
일 실시예에서, 이벤트 이미지(110)의 각 픽셀에 대한 이벤트 스트림(120)을 생성하고, 이벤트 스트림(120)을 분류하여 다수의 이벤트 스택(210)을 생성할 수 있다. In an embodiment, an
일 실시예에서, 이벤트 스트림(120)은 이벤트 스트림(120)에 포함된 이벤트의 수(number)에 따라 분류되어, 다수의 이벤트 스택(210)이 생성될 수 있다. In an embodiment, the
S1305 단계는, 다수의 이벤트 스택(210)을 신경망 모델(300)에 입력하여 강도 이미지(325)를 생성하는 단계이다. Step S1305 is a step of generating an
일 실시예에서, 다수의 이벤트 스택(210)의 시퀀스(sequence)를 이용하여 다수의 광학 플로우(optical flow)(321)를 생성할 수 있다. In one embodiment, a sequence of
일 실시예에서, 다수의 광학 플로우(321)를 이용하여 다수의 이벤트 스택(210)을 수정(rectify)할 수 있다. In one embodiment, multiple
일 실시예에서, 수정된 다수의 이벤트 스택(322)과 다수의 이벤트 스택에 대한 상태(state) 정보(323)를 이용하여 다수의 중간 강도 이미지(intermediate intensity image)(324)를 생성할 수 있다. In one embodiment, a plurality of modified event stacks 322 and
일 실시예에서, 다수의 중간 강도 이미지(324)를 혼합(mix)하여 강도 이미지(325)를 생성할 수 있다. In one embodiment, multiple
일 실시예에서, 강도 이미지(325)와 GT(ground truth) 이미지(326)의 차이(difference)에 기반한 오차(error) 정보를 산출하고, 오차 정보를 이용하여 신경망 모델(300)을 학습시킬 수 있다. In one embodiment, it is possible to calculate error information based on the difference between the
도 14는 본 발명의 일 실시예에 따른 고해상도 강도 이미지 생성 장치(700)의 기능적 구성을 도시한 도면이다.14 is a diagram illustrating a functional configuration of an apparatus 700 for generating a high-resolution intensity image according to an embodiment of the present invention.
도 14를 참고하면, 고해상도 강도 이미지 생성 장치(1400)는 획득부(1410), 제어부(1420), 표시부(1430) 및 저장부(1440)를 포함할 수 있다.Referring to FIG. 14 , the
획득부(1410)는 이벤트 이미지(110)를 획득할 수 있다. 일 실시예에서, 획득부(1410)는 이벤트 카메라로 구현될 수 있다. 일 실시예에서, 획득부(1410)는 유선 통신 모듈 및 무선 통신 모듈 중 적어도 하나를 포함할 수 있다. 획득부(1410)의 전부 또는 일부는 '송신부', '수신부' 또는 '송수신부(transceiver)'로 지칭될 수 있다.The
제어부(1420)는 이벤트 이미지(110)에 대한 다수의 이벤트 스택(210)을 생성하고, 다수의 이벤트 스택(210)을 신경망 모델(300)에 입력하여 강도 이미지(325)를 생성할 수 있다. The
일 실시예에서, 제어부(1420)는 적어도 하나의 프로세서 또는 마이크로(micro) 프로세서를 포함하거나, 또는, 프로세서의 일부일 수 있다. 또한, 제어부(1420)는 CP(communication processor)라 지칭될 수 있다. 제어부(1420)는 본 발명의 다양한 실시예에 따른 고해상도 강도 이미지 생성 장치(1400)의 동작을 제어할 수 있다. In an embodiment, the
표시부(1430)는 이벤트 이미지(110)를 디스플레이할 수 있다. 일 실시예에서, 표시부(1430)는 강도 이미지(325)를 디스플레이할 수 있다. The
일 실시예에서, 표시부(1430)는 고해상도 강도 이미지 생성 장치(1400)에서 처리되는 정보를 나타낼 수 있다. 예를 들면, 표시부(1430)는 액정 디스플레이(LCD; Liquid Crystal Display), 발광 다이오드(LED; Light Emitting Diode) 디스플레이, 유기 발광 다이오드(OLED; Organic LED) 디스플레이, 마이크로 전자기계 시스템(MEMS; Micro Electro Mechanical Systems) 디스플레이 및 전자 종이(electronic paper) 디스플레이 중 적어도 어느 하나를 포함할 수 있다.In an embodiment, the
저장부(1440)는 이벤트 이미지(110), 다수의 이벤트 스택(210), 강도 이미지(325) 중 적어도 하나를 저장할 수 있다. 일 실시예에서, 저장부(1440)는 신경망 모델(300)을 저장할 수 있다. The
일 실시예에서, 저장부(1440)는 휘발성 메모리, 비휘발성 메모리 또는 휘발성 메모리와 비휘발성 메모리의 조합으로 구성될 수 있다. 그리고, 저장부(1440)는 제어부(1420)의 요청에 따라 저장된 데이터를 제공할 수 있다.In an embodiment, the
도 14를 참고하면, 고해상도 강도 이미지 생성 장치(1400)는 획득부(1410), 제어부(1420), 표시부(1430) 및 저장부(1440)를 포함할 수 있다. 본 발명의 다양한 실시 예들에서 고해상도 강도 이미지 생성 장치(1400)는 도 14에 설명된 구성들이 필수적인 것은 아니어서, 도 14에 설명된 구성들보다 많은 구성들을 가지거나, 또는 그보다 적은 구성들을 가지는 것으로 구현될 수 있다.Referring to FIG. 14 , the
일 실시예에서, 비디오 재구성(Video reconstruction)의 경우, 본 발명에 따른 방법을 비디오 재구성으로 확장하기 위해, 블라인드 후 처리 방법(blind post-processing method)을 사용하여 강도 이미지들 사이의 시간적 일관성(temporal consistency)을 인코딩할 수 있다. In one embodiment, in the case of video reconstruction, a blind post-processing method is used to extend the method according to the invention to the temporal coherence between the intensity images. consistency) can be encoded.
시간적 일관성을 정량적으로 평가하기 위해, 우리는 하기 <수학식 7>과 같은 두 개의 연속 합성된 프레임들(Ft, Ft+1) 사이의 플로우 왜곡 에러(flow warping error)에 기초한 시간적 안정성 메트릭을 산출할 수 있다.In order to quantitatively evaluate temporal consistency, we use a temporal stability metric based on a flow warping error between two consecutively synthesized frames (F t , F t+1 ) as in Equation 7 below. can be calculated.
여기서 은 Ft+1의 왜곡 프레임(warped frame)이고, 은 계산이 비 폐쇄 영역(non-occlusion region)에만 적용되도록 하기 위한 비 폐쇄 마스크(non-occlusion mask)를 나타낸다. here is a warped frame of F t+1, denotes a non-occlusion mask for allowing calculations to be applied only to non-occlusion regions.
비교된 모든 방법과 APS가 GT인 것처럼 APS 프레임의 왜곡 오차를 평가하기 위해 APS 프레임을 기반으로 프레임 및 비 폐쇄 맵을 워핑(warping)하는데 사용되는 광학 플로우를 계산할 수 있다. It is possible to calculate the optical flow used to warp the frame and non-closed map based on the APS frame to evaluate the distortion error of the APS frame as if the APS was GT with all the methods compared.
일 실시예에서, 하기 <표 7>의 EV와 비교하여 다른 크기의 시퀀스(3S와 7S)로 결과를 확인할 수 있다. 본 발명에 따른 후 처리 방식(3S+와 7S+)은 EV와 후 처리 버전(EV+)을 모두 크게 능가하여 성능이 향상됨을 확인할 수 있다. In an embodiment, the result may be confirmed as a sequence (3S and 7S) having a different size compared to EV of Table 7 below. It can be seen that the post-processing methods (3S+ and 7S+) according to the present invention greatly outperform both the EV and the post-processing versions (EV+), thereby improving performance.
본 발명의 일 실시예에 따르면, 엔드-투-엔드 신경망(end-to-end neural network)에 의해 이벤트의 고해상도 강도 이미지를 직접 재구성할 수 있다. According to an embodiment of the present invention, it is possible to directly reconstruct a high-resolution intensity image of an event by an end-to-end neural network.
또한, 본 발명의 일 실시예에 따르면, 동일한 크기의 이미지 재구성과 고해상도에서 종래의 기술과 비교하여 세밀한 세부 정보로 고품질 이미지를 재구성할 수 있다. In addition, according to an embodiment of the present invention, it is possible to reconstruct a high-quality image with fine details compared to the prior art at the same size of image reconstruction and high resolution.
또한, 본 발명의 일 실시예에 따르면, 누락된 세부 정보를 추가하기 위해 여분의 패스를 수행하고 이벤트 외에도 APS 프레임을 사용하는 보완을 수행하는 듀오 패스 방식으로 확장할 수 있다.In addition, according to an embodiment of the present invention, an extra pass is performed to add missing detailed information, and in addition to an event, the duo pass method can be extended to perform supplementation using an APS frame.
또한, 본 발명의 일 실시예에 따르면, 후 처리를 통해 본 발명에 따른 방법을 비디오로 재구성하여 시간적 일관성을 보장할 수 있다. In addition, according to an embodiment of the present invention, temporal consistency can be ensured by reconstructing the method according to the present invention into a video through post-processing.
이상의 설명은 본 발명의 기술적 사상을 예시적으로 설명한 것에 불과한 것으로, 통상의 기술자라면 본 발명의 본질적인 특성이 벗어나지 않는 범위에서 다양한 변경 및 수정이 가능할 것이다.The above description is merely illustrative of the technical spirit of the present invention, and various changes and modifications may be made by those skilled in the art without departing from the essential characteristics of the present invention.
따라서, 본 명세서에 개시된 실시예들은 본 발명의 기술적 사상을 한정하기 위한 것이 아니라, 설명하기 위한 것이고, 이러한 실시예들에 의하여 본 발명의 범위가 한정되는 것은 아니다.Accordingly, the embodiments disclosed in the present specification are not intended to limit the technical spirit of the present invention, but to illustrate, and the scope of the present invention is not limited by these embodiments.
본 발명의 보호범위는 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 이해되어야 한다.The protection scope of the present invention should be construed by the claims, and all technical ideas within the scope equivalent thereto should be understood to be included in the scope of the present invention.
110: 이벤트 이미지
120: 이벤트 스트림
210: 이벤트 스택
300: 신경망 모델
310: 플로우 네트워크
311: 이벤트 기능 수정 네트워크
312: 고해상도 네트워크
313: 혼합 네트워크
314: 유사성 손실 함수
321: 광학 플로우
322: 수정된 다수의 이벤트 스택
323: 상태 정보
324: 중간 강도 이미지
325: 강도 이미지
326: GT 이미지
510: RNet-A
520: RNet-B
530: RNet-C
540: RNet-D
1410: 획득부
1420: 제어부
1430: 표시부
1440: 저장부110: event image
120: event stream
210: event stack
300: neural network model
310: flow network
311: event function modification network
312: high-resolution network
313: mixed network
314: similarity loss function
321: optical flow
322: Fixed multiple event stack
323: status information
324: medium intensity image
325: robber image
326: GT image
510: RNet-A
520: RNet-B
530: RNet-C
540: RNet-D
1410: Acquisition Department
1420: control
1430: display unit
1440: storage
Claims (12)
(b) 상기 획득된 이벤트 이미지에 대한 다수의 이벤트 스택을 생성하는 단계; 및
(c) 상기 다수의 이벤트 스택을 신경망(neural network) 모델에 입력하여 강도 이미지(intensity image)를 생성하는 단계;
를 포함하는,
고해상도 강도 이미지 생성 방법.
(a) acquiring an event image;
(b) generating a plurality of event stacks for the acquired event images; and
(c) generating an intensity image by inputting the plurality of event stacks into a neural network model;
containing,
How to create high-resolution intensity images.
상기 (b) 단계는,
상기 이벤트 이미지의 각 픽셀에 대한 이벤트 스트림(event stream)을 생성하는 단계; 및
상기 생성된 이벤트 스트림을 분류하여 상기 다수의 이벤트 스택을 생성하는 단계;
를 포함하는,
고해상도 강도 이미지 생성 방법.
According to claim 1,
The step (b) is,
generating an event stream for each pixel of the event image; and
classifying the generated event stream to generate the plurality of event stacks;
containing,
How to create high-resolution intensity images.
상기 (c) 단계는,
상기 다수의 이벤트 스택의 시퀀스(sequence)를 이용하여 다수의 광학 플로우(optical flow)를 생성하는 단계;
상기 생성된 다수의 광학 플로우를 이용하여 상기 다수의 이벤트 스택을 수정(rectify)하는 단계;
상기 수정된 다수의 이벤트 스택과 상기 다수의 이벤트 스택에 대한 상태(state) 정보를 이용하여 다수의 중간 강도 이미지(intermediate intensity image)를 생성하는 단계; 및
상기 다수의 중간 강도 이미지를 혼합(mix)하여 상기 강도 이미지를 생성하는 단계;
를 포함하는,
고해상도 강도 이미지 생성 방법.
According to claim 1,
Step (c) is,
generating a plurality of optical flows using a sequence of the plurality of event stacks;
rectifying the plurality of event stacks using the generated plurality of optical flows;
generating a plurality of intermediate intensity images using the modified plurality of event stacks and state information for the plurality of event stacks; and
generating the intensity image by mixing the plurality of medium intensity images;
containing,
How to create high-resolution intensity images.
상기 (c) 단계는,
상기 생성된 강도 이미지와 GT(ground truth) 이미지의 차이(difference)에 기반한 오차(error) 정보를 산출하는 단계; 및
상기 산출된 오차 정보를 이용하여 상기 신경망 모델을 학습시키는 단계;
를 포함하는,
고해상도 강도 이미지 생성 방법.
4. The method of claim 3,
Step (c) is,
calculating error information based on a difference between the generated intensity image and a GT (ground truth) image; and
training the neural network model using the calculated error information;
containing,
How to create high-resolution intensity images.
상기 (c) 단계는,
상기 다수의 이벤트 스택의 시퀀스 중 중앙 스택(central stack)을 APS(active pixel sensor) 프레임으로 형성하는 단계; 및
상기 중앙 스택으로 형성된 APS 프레임과 상기 다수의 이벤트 스택의 시퀀스 중 상기 중앙 스택을 제외한 다수의 주변 스택(nearby stack)을 상기 신경망 모델에 입력하여 상기 강도 이미지를 생성하는 단계;
를 포함하는,
고해상도 강도 이미지 생성 방법.
According to claim 1,
Step (c) is,
forming a central stack among the sequence of the plurality of event stacks as an active pixel sensor (APS) frame; and
generating the intensity image by inputting a plurality of nearby stacks excluding the central stack among the sequence of the APS frame formed as the central stack and the plurality of event stacks into the neural network model;
containing,
How to create high-resolution intensity images.
상기 (c) 단계 이후에,
상기 다수의 이벤트 스택의 시퀀스 중 중앙 스택을 상기 생성된 강도 이미지로 형성하는 단계; 및
상기 중앙 스택으로 형성된 강도 이미지와 상기 다수의 이벤트 스택의 시퀀스 중 상기 중앙 스택을 제외한 다수의 주변 스택을 상기 신경망 모델에 입력하여 다른 강도 이미지를 생성하는 단계;
를 더 포함하는,
고해상도 강도 이미지 생성 방법.
According to claim 1,
After step (c),
forming a central stack of the sequence of the plurality of event stacks with the generated intensity image; and
generating different intensity images by inputting the intensity image formed as the central stack and a plurality of peripheral stacks excluding the central stack among sequences of the plurality of event stacks into the neural network model;
further comprising,
How to create high-resolution intensity images.
상기 획득된 이벤트 이미지에 대한 다수의 이벤트 스택을 생성하고,
상기 다수의 이벤트 스택을 신경망(neural network) 모델에 입력하여 강도 이미지(intensity image)를 생성하는 제어부;
를 포함하는,
고해상도 강도 이미지 생성 장치.
an acquisition unit for acquiring an event image; and
generating a plurality of event stacks for the acquired event image;
a controller for generating an intensity image by inputting the plurality of event stacks into a neural network model;
containing,
High-resolution intensity image generator.
상기 제어부는,
상기 이벤트 이미지의 각 픽셀에 대한 이벤트 스트림(event stream)을 생성하고,
상기 생성된 이벤트 스트림을 분류하여 상기 다수의 이벤트 스택을 생성하는,
고해상도 강도 이미지 생성 장치.
8. The method of claim 7,
The control unit is
generating an event stream for each pixel of the event image;
classifying the generated event stream to generate the plurality of event stacks,
High-resolution intensity image generator.
상기 제어부는,
상기 다수의 이벤트 스택의 시퀀스(sequence)를 이용하여 다수의 광학 플로우(optical flow)를 생성하고,
상기 생성된 다수의 광학 플로우를 이용하여 상기 다수의 이벤트 스택을 수정(rectify)하고,
상기 수정된 다수의 이벤트 스택과 상기 다수의 이벤트 스택에 대한 상태(state) 정보를 이용하여 다수의 중간 강도 이미지(intermediate intensity image)를 생성하고,
상기 다수의 중간 강도 이미지를 혼합(mix)하여 상기 강도 이미지를 생성하는,
고해상도 강도 이미지 생성 장치.
8. The method of claim 7,
The control unit is
generating a plurality of optical flows using a sequence of the plurality of event stacks;
rectify the plurality of event stacks using the generated plurality of optical flows;
generating a plurality of intermediate intensity images using the modified plurality of event stacks and state information for the plurality of event stacks;
mixing the plurality of medium intensity images to generate the intensity image,
High-resolution intensity image generator.
상기 제어부는,
상기 생성된 강도 이미지와 GT(ground truth) 이미지의 차이(difference)에 기반한 오차(error) 정보를 산출하고,
상기 산출된 오차 정보를 이용하여 상기 신경망 모델을 학습시키는,
고해상도 강도 이미지 생성 장치.
10. The method of claim 9,
The control unit is
Calculating error information based on the difference between the generated intensity image and the GT (ground truth) image,
learning the neural network model using the calculated error information,
High-resolution intensity image generator.
상기 제어부는,
상기 다수의 이벤트 스택의 시퀀스 중 중앙 스택(central stack)을 APS(active pixel sensor) 프레임으로 형성하고,
상기 중앙 스택으로 형성된 APS 프레임과 상기 다수의 이벤트 스택의 시퀀스 중 상기 중앙 스택을 제외한 다수의 주변 스택(nearby stack)을 상기 신경망 모델에 입력하여 상기 강도 이미지를 생성하는,
고해상도 강도 이미지 생성 장치.
8. The method of claim 7,
The control unit is
forming a central stack among the sequence of the plurality of event stacks as an active pixel sensor (APS) frame;
Generating the intensity image by inputting a plurality of nearby stacks excluding the central stack among the sequence of the APS frame formed as the central stack and the plurality of event stacks into the neural network model,
High-resolution intensity image generator.
상기 제어부는,
상기 다수의 이벤트 스택의 시퀀스 중 중앙 스택을 상기 생성된 강도 이미지로 형성하고,
상기 중앙 스택으로 형성된 강도 이미지와 상기 다수의 이벤트 스택의 시퀀스 중 상기 중앙 스택을 제외한 다수의 주변 스택을 상기 신경망 모델에 입력하여 다른 강도 이미지를 생성하는,
고해상도 강도 이미지 생성 장치. 8. The method of claim 7,
The control unit is
forming a central stack of the sequence of the plurality of event stacks with the generated intensity image;
generating different intensity images by inputting a plurality of peripheral stacks excluding the central stack among the intensity image formed as the central stack and the sequence of the plurality of event stacks into the neural network model,
High-resolution intensity image generator.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200070044A KR102366187B1 (en) | 2020-06-10 | 2020-06-10 | A method and apparatus for generating super resolve intensity image |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200070044A KR102366187B1 (en) | 2020-06-10 | 2020-06-10 | A method and apparatus for generating super resolve intensity image |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20210153229A true KR20210153229A (en) | 2021-12-17 |
KR102366187B1 KR102366187B1 (en) | 2022-02-22 |
Family
ID=79033736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200070044A KR102366187B1 (en) | 2020-06-10 | 2020-06-10 | A method and apparatus for generating super resolve intensity image |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102366187B1 (en) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023229431A1 (en) * | 2022-05-27 | 2023-11-30 | 삼성전자 주식회사 | Method for correcting image by using neural network model, and computing device for executing neural network model for image correction |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180014992A (en) * | 2016-08-02 | 2018-02-12 | 삼성전자주식회사 | Event signal processing method and apparatus |
KR20190086334A (en) * | 2018-01-12 | 2019-07-22 | 숭실대학교산학협력단 | Method and apparatus for tracking led in captured image based on probability |
KR20200015589A (en) * | 2017-05-29 | 2020-02-12 | 유니베르시태트 취리히 | Block-matching Optical Flow and Stereo Vision for Dynamic Vision Sensors |
-
2020
- 2020-06-10 KR KR1020200070044A patent/KR102366187B1/en active IP Right Grant
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180014992A (en) * | 2016-08-02 | 2018-02-12 | 삼성전자주식회사 | Event signal processing method and apparatus |
KR20200015589A (en) * | 2017-05-29 | 2020-02-12 | 유니베르시태트 취리히 | Block-matching Optical Flow and Stereo Vision for Dynamic Vision Sensors |
KR20190086334A (en) * | 2018-01-12 | 2019-07-22 | 숭실대학교산학협력단 | Method and apparatus for tracking led in captured image based on probability |
Non-Patent Citations (2)
Title |
---|
[비특허문헌 1] Patrick Bardow, Andrew J Davison, and Stefan Leutenegger. Simultaneous optical flow and intensity estimation from an event camera. In IEEE CVPR, pages 884-892, 2016 |
Wang et al. Event-based High Dynamic Range Image and Very High Frame Rate Video Generation using Conditional Generative Adversarial Networks, CVPR, 2019년, pp. 10073-10082. 1부.* * |
Also Published As
Publication number | Publication date |
---|---|
KR102366187B1 (en) | 2022-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047516B (en) | Image processing method, image processing device, computer equipment and storage medium | |
Liu et al. | Video super-resolution based on deep learning: a comprehensive survey | |
Dong et al. | Multi-scale boosted dehazing network with dense feature fusion | |
Choi et al. | Learning to super resolve intensity images from events | |
Umer et al. | Deep generative adversarial residual convolutional networks for real-world super-resolution | |
TWI709107B (en) | Image feature extraction method and saliency prediction method including the same | |
Mostafavi et al. | Learning to reconstruct hdr images from events, with applications to depth and flow prediction | |
CN101299235B (en) | Method for reconstructing human face super resolution based on core principle component analysis | |
CN113994366A (en) | Multi-stage multi-reference bootstrapping for video super-resolution | |
CN102915527A (en) | Face image super-resolution reconstruction method based on morphological component analysis | |
Cheng et al. | Light field super-resolution: A benchmark | |
CN113762147B (en) | Facial expression migration method and device, electronic equipment and storage medium | |
CN105513033B (en) | A kind of super resolution ratio reconstruction method that non local joint sparse indicates | |
US20170206633A1 (en) | Method and apparatus for up-scaling an image | |
CN104243837A (en) | Vibration detection and remote sensing image recovery method based on single-exposure video reconstruction | |
Mostafavi et al. | E2sri: Learning to super-resolve intensity images from events | |
KR102366187B1 (en) | A method and apparatus for generating super resolve intensity image | |
Kong et al. | A comprehensive comparison of multi-dimensional image denoising methods | |
Chandramouli et al. | A generative model for generic light field reconstruction | |
Yang et al. | Variation learning guided convolutional network for image interpolation | |
CN106846250A (en) | A kind of super resolution ratio reconstruction method based on multi-scale filtering | |
Mel et al. | Joint Reconstruction and Super Resolution of Hyper-Spectral CTIS Images. | |
Gupta et al. | A robust and efficient image de-fencing approach using conditional generative adversarial networks | |
CN117237207A (en) | Ghost-free high dynamic range light field imaging method for dynamic scene | |
CN110675320A (en) | Method for sharpening target image under spatial parameter change and complex scene |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |