Computer Vision127 [2025-1] 박지원-Encoder-Decoder with Atrous SeparableConvolution for Semantic Image Segmentation 1. Introduction : Semantic Segmentation의 발전과 DeepLabv3+의 등장방법론장점단점Spatial Pyramid Pooling다양한 스케일의 문맥 정보 인코딩객체 경계 세부 정보 부족Encoder-Decoder날카로운 객체 경계 포착다양한 스케일 정보 인코딩 부족 Semantic Segmentation이란 이미지의 모든 픽셀에 의미론적 레이블을 할당하는 방법론으로, FCN(Fully Convolutional Network)모델이 현저한 성능 향상을 보인 바 있다. 이 FCNs은 spatial pyramid pooling(다양한 비율과 유효 수용 영역을 가진 필터나 풀링 연산을 통해 들어오는 특징을 조사하여 멀티 스케일 문맥 정보를 인코딩하는 방식)과 encoder-de.. 2025. 5. 8. [2025-1] 김유현 - Least Squares Generative Adversarial Networks https://arxiv.org/abs/1611.04076 Least Squares Generative Adversarial NetworksUnsupervised learning with generative adversarial networks (GANs) has proven hugely successful. Regular GANs hypothesize the discriminator as a classifier with the sigmoid cross entropy loss function. However, we found that this loss function may lead to tarxiv.org 0. Abstract기존 GAN은 Discriminator에서 sigmoid cross-entro.. 2025. 5. 3. [2025-1] 최민서 - Maximum Likelihood Training of Score-Based Diffusion Models [논문링크] https://arxiv.org/abs/2101.09258 Maximum Likelihood Training of Score-Based Diffusion ModelsScore-based diffusion models synthesize samples by reversing a stochastic process that diffuses data to noise, and are trained by minimizing a weighted combination of score matching losses. The log-likelihood of score-based diffusion models can be tractablarxiv.org [Score-based diffusion models 논문리.. 2025. 5. 2. [2025-1] 전윤경-CLEAR: Comprehensive Learning EnabledAdversarial Reconstruction for Subtle StructureEnhanced Low-Dose CT Imaging CLEAR( Comprehensive Learning Enabled Adversarial Reconstruction) : 저선량 CT 이미징에서 고품질 이미지를 재구성하기 위한 심층 학습 기반의 방법포괄적 도메인(프로젝션, 이미지) 에서 구축된 생성자다중 수준의 손실WGAN-GP 기반 모달리티( Wasserstein 거리 기반의 적대적 최적화 )Method노이즈 모델포아송 노이즈 모델Z_i:광자의 수Z_0i: 입사한 X-선 광자 강도P_i: 감쇠 계수의 선적분E_i: 배경 전자 노이즈I_RD: 일상선량 이미지I_LD: 재구성된 저선량 이미지I_N: 노이즈 이미지,R: 재구성 연산P_LD: 저선량 프로젝션P_N: 프로젝션의 노이즈,P_RD:일상선량 프로젝션 CLEAR: 일괄 재구성 방법최적의 생성기 g*.. 2025. 5. 2. 이전 1 2 3 4 5 6 7 ··· 32 다음
