Traitement en cours

Veuillez attendre...

Paramétrages

Paramétrages

Aller à Demande

1. WO2020246861 - PROCÉDÉ ET APPAREIL D'ENTRAÎNEMENT DE MODÈLE DE RÉSEAU NEURONAL POUR AMÉLIORER LE DÉTAIL D'IMAGE

Numéro de publication WO/2020/246861
Date de publication 10.12.2020
N° de la demande internationale PCT/KR2020/007399
Date du dépôt international 08.06.2020
CIB
G06T 3/40 2006.01
GPHYSIQUE
06CALCUL; COMPTAGE
TTRAITEMENT OU GÉNÉRATION DE DONNÉES D'IMAGE, EN GÉNÉRAL
3Transformation géométrique de l'image dans le plan de l'image
40Changement d'échelle d'une image entière ou d'une partie d'image
G06N 3/04 2006.01
GPHYSIQUE
06CALCUL; COMPTAGE
NSYSTÈMES DE CALCULATEURS BASÉS SUR DES MODÈLES DE CALCUL SPÉCIFIQUES
3Systèmes de calculateurs basés sur des modèles biologiques
02utilisant des modèles de réseaux neuronaux
04Architecture, p.ex. topologie d'interconnexion
G06N 3/08 2006.01
GPHYSIQUE
06CALCUL; COMPTAGE
NSYSTÈMES DE CALCULATEURS BASÉS SUR DES MODÈLES DE CALCUL SPÉCIFIQUES
3Systèmes de calculateurs basés sur des modèles biologiques
02utilisant des modèles de réseaux neuronaux
08Méthodes d'apprentissage
CPC
G06K 9/6256
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
9Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
62Methods or arrangements for recognition using electronic means
6217Design or setup of recognition systems and techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
6256Obtaining sets of training patterns; Bootstrap methods, e.g. bagging, boosting
G06T 5/001
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
5Image enhancement or restoration
001Image restoration
Déposants
  • SAMSUNG ELECTRONICS CO., LTD. [KR]/[KR]
Inventeurs
  • SHCHERBININ, Andrei Yurievich
  • ANISIMOVSKIY, Valery Valerievich
  • BIRYULIN, Pavel Igorevich
Mandataires
  • Y.P.LEE, MOCK & PARTNERS
Données relatives à la priorité
10-2020-006388527.05.2020KR
201911771306.06.2019RU
Langue de publication anglais (EN)
Langue de dépôt anglais (EN)
États désignés
Titre
(EN) METHOD AND APPARATUS FOR TRAINING NEURAL NETWORK MODEL FOR ENHANCING IMAGE DETAIL
(FR) PROCÉDÉ ET APPAREIL D'ENTRAÎNEMENT DE MODÈLE DE RÉSEAU NEURONAL POUR AMÉLIORER LE DÉTAIL D'IMAGE
Abrégé
(EN)
A neural network model training apparatus for enhancing image detail is provided. The apparatus includes a memory and at least one processor configured to obtain a low quality input image patch and a high quality input image patch, obtain a low quality output image patch by inputting the low quality input image patch to a first neural network model, obtain a high quality output image patch by inputting the high quality input image patch to a second neural network model, and train the first neural network model based on a loss function set to reduce a difference between the low quality output image patch and the high quality input image patch, and a difference between the high quality output image patch and the high quality input image patch. The second neural network model is identical to the first neural network model.
(FR)
L'invention concerne un appareil d'entraînement de modèle de réseau neuronal pour améliorer le détail d'image. L'appareil comprend une mémoire et au moins un processeur configuré pour obtenir un correctif d'image d'entrée de faible qualité et un correctif d'image d'entrée de haute qualité, obtenir un correctif d'image de sortie de faible qualité en entrant le correctif d'image d'entrée de faible qualité dans un premier modèle de réseau neuronal, obtenir un correctif d'image de sortie de haute qualité en entrant le correctif d'image d'entrée de haute qualité dans un deuxième modèle de réseau neuronal, et entraîner le premier modèle de réseau neuronal sur la base d'un ensemble de fonctions de perte afin de réduire une différence entre le correctif d'image de sortie de faible qualité et le correctif d'image d'entrée de haute qualité, et une différence entre le correctif d'image de sortie de haute qualité et le correctif d'image d'entrée de haute qualité. Le deuxième modèle de réseau neuronal est identique au premier modèle de réseau neuronal.
Également publié en tant que
Dernières données bibliographiques dont dispose le Bureau international