[용어 정리] U-Net, 이미지 처리 딥러닝 용어

[딥러닝 용어 정리] U-Net, 이미지 처리 딥러닝 용어

 

이미지 디노이징 모델

- 정보를 압축하는 인코더와 정보로부터 이미지를 복원하는 디코더로 구성

U-Net은 인코더의 출력을 디코더의 입력으로 사용함으로서 정보를 복원할 때 추출된 특징을 참고할 수 있습니다.

 

 

인코더-디코더(Encoder-Decoder)

- 특징을 추출하는 인코더와 특징으로부터 정보를 복원하는 디코더를 갖는 형식

 

 

U-Net의 구조

1. 이미지를 합성곱을 이용해 특징 추출

2. 압축된 정보를 디코더에서 복원되어 입력과 같은 크기의 출력 생성 (업샘플링층)

3. 복원된 특징은 합성곱을 이용해 추출된 특징과 합쳐짐 (원래의 특징과 복원된 특징을 합침)

 

 

업샘플링(Upsampling)

- 이미지에서 추출한 특징을 이용해 이미지를 복원하는 과정,

혹은 이미지를 키우는 기법

 

 

합성곱과 업샘플링의 차이

- 합성곱 : 커널을 이용해 특징 추출

- 업샘플링 : 커널을 이용해 특징으로부터 이미지 복원

 

 

U-Net의 장점과 단점

- 장점

: 디코더에서 인코더의 정보를 참조할 수 있습니다.

: 정보를 복원할 때, 복원할 대상의 정보를 얻을 수 있습니다.

 

- 단점

: 인코더의 출력과 디코더의 입력을 동일하게 맞춰야 하므로 설계가 자유롭지 못합니다.

: 인코더 계산의 결과를 저장해야 하므로 메모리가 많이 필요합니다.

 

---

오토 인코더

- 입력을 그대로 출력하도록 하는 인코더 디코더 구조

 

[장점]

: 이미지로부터 추출한 특징을 복원할 수 있습니다.

: 인코더만 따로 사용하여 이미지의 특징 추출기로 사용할 수 있습니다.

: 디코더만 따로 사용하여 이미지를 만들어내도록 활용할 수 있습니다.

 

[단점]

: 인코더의 특징을 디코더가 사용하지 않습니다.

: 학습이 잘 이루어지지 않은 경우 인코더와 디코더 둘 중 어떤게 문제인지 알아차리기 어렵습니다.

 

CAE(Convolutional Autoencoder) 모델

- 합성곱을 이용한 오토인코더로 디노이징에 사용합니다.

 

노이즈

- 데이터에 섞여 정보를 왜곡하는 의도치 않은 정보입니다.

 

가우시안 노이즈

- 노이즈의 형태가 정규분포의 형태를 따르는 것을 말합니다.