표제지
국문 요약
Abstract
목차
제1장 서론 16
1.1. 연구 배경 16
1.2. 연구 내용 19
제2장 배경 기술 20
2.1. 개요 20
2.2. 호겔 기반 CGH 합성 기법 22
2.3. WLF 기반 CGH 합성 기법 24
제3장 라이트 필드 재-샘플링을 통한 홀로그램 색수차 개선 26
3.1. 개요 26
3.2. 제안 방법 28
3.3. 실험 결과 35
3.4. 논의 및 제한점 46
제4장 신경망을 이용한 제한된 정보로부터 라이트 필드 취득 및 WLFH 합성 49
4.1. 개요 49
4.2. 단일 이미지로부터 라이트 필드 취득 방법 54
4.3. 신경 방사 필드를 이용한 제한된 라이트 필드로부터 조밀한 라이트 필드 합성 57
4.4. 신경망을 통한 라이트 필드 취득 60
제5장 전경 라이트 필드와 배경 홀로그램 간의 도메인 변환 없는 직접적 폐색 처리 방법 64
5.1. 개요 64
5.2. 제안 방법 66
5.3. 실험 결과 77
5.4. 논의 및 제한점 91
제6장 조정할 수 있는 U-net(tunable U-net)을 이용한 홀로그램으로부터 라이트 필드 취득 95
6.1. 개요 95
6.2. 제안된 방법의 실현 가능성 평가 98
6.3. 랜덤 장면의 데이터 셋 생성 101
6.4. 제안 방법의 실험 결과 103
6.5. 논의 및 제한점 108
6.6. 향후 연구방향 110
제7장 결론 112
부록 115
부록: 기호 및 심볼 정리 115
부록: 컴퓨터 시뮬레이션 환경 세부 내용 116
참고문헌 117
[그림 2.1] 라이트 필드 데이터 종류. 22
[그림 2.2] 호겔 기반 CGH 합성 방법 예시. 23
[그림 2.3] 비호겔 기반과 WLF 기반 CGH 생성 방법. 25
[그림 3.1] 광선의 각도 θx축에 따른 라이트 필드 제로패딩 및 보간 방법. (a) 본래의 라이트 필드 샘플링,...[이미지참조] 30
[그림 3.2] 광선의 각도 θx축에 따른 공간-각도 주파수 제로패딩 및 보간 방법. (a) 본래의 공간-각도 주파수 샘플링,...[이미지참조] 32
[그림 3.3] 십자가 타겟들의 라이트 필드 데이터. (a) 단일 직교 투영 시점,... 35
[그림 3.4] 합성된 홀로그램의 진폭과 위상. (a) 제안된 방법이 적용되지 않았을 때,... 36
[그림 3.5] 합성된 홀로그램의 뎁스에 따라 수치적 재구성 결과. (a) 제안된 방법이 적용되지 않았을 때,... 37
[그림 3.6] 해상도 타겟들의 라이트 필드 데이터. (a) 단일 직교 투영 시점,... 38
[그림 3.7] 합성된 홀로그램의 진폭과 위상. (a) 제안된 방법이 적용되지 않았을 때,... 39
[그림 3.8] 합성된 홀로그램의 뎁스에 따라 수치적 재구성 결과. (a) 제안된 방법이 적용되지 않았을 때,... 40
[그림 3.9] 연속적인 뎁스의 3차원 자연적 장면들의 라이트 필드 데이터. (a) 단일 직교 투영 시점,... 42
[그림 3.10] 합성된 홀로그램의 진폭과 위상. (a) 제안된 방법이 적용되지 않았을 때,... 43
[그림 3.11] 합성된 홀로그램의 뎁스에 따라 수치적 재구성 결과. (a) 제안된 방법이 적용되지 않았을 때,... 45
[그림 3.12] 제안된 방법이 적용되지 않았을 때와 제안된 방법이 적용되었을 때의 CGH 합성 시간 비교. 47
[그림 3.13] 제안된 방법이 적용되지 않았을 때와 제안된 방법이 적용되었을 때의 합성된 CGH 재구성 결과 비교. 48
[그림 4.1] 카메라 어레이를 통한 라이트 필드 취득. 49
[그림 4.2] 64x64개의 직교 투영 시점들로 이루어진 라이트 필드로부터 WLF 기반의 CGH 기법을 활용한 홀로그램 합성. 50
[그림 4.3] 합성된 홀로그램(그림 4.2)로부터 뎁스 별 수치적 재구성. 51
[그림 4.4] 합성된 홀로그램(그림 4.2)로부터 각도 별 수치적 재구성. 52
[그림 4.5] 신경망을 이용한 제한된 정보로부터 라이트 필드를 취득하는 2가지 방법. 53
[그림 4.6] 단일 이미지로부터 라이트 필드 취득 방법[40]. (a) 단일 이미지로부터 뎁스 추정 및 와핑 과정.... 54
[그림 4.7] 단일 이미지로부터 라이트 필드 취득의 딥러닝(deep learning) 네트워크 구조[40].... 55
[그림 4.8] 신경 방사 필드 방법. 58
[그림 4.9] 신경 방사 필드 방법의 네트워크 구조. 59
[그림 4.10] 단일 이미지로부터 라이트 필드 취득 결과. 60
[그림 4.11] 단일 이미지로부터 홀로그램 합성 결과로부터 수치적 재구성 결과. (a) 뎁스에 따른 수치적 재구성,... 61
[그림 4.12] 신경 방사 필드를 이용한 제한된 라이트 필드(입력)로부터 조밀한 라이트 필드(출력) 합성 개략도. 62
[그림 4.13] 제한된 라이트 필드(입력)와 신경 방사 필드로 조밀하게 확장한 라이트 필드(출력)의 WLF 기반 CGH 합성 및 수치적 재구성.... 63
[그림 5.1] 배경 홀로그램과 전경 라이트 필드의 폐색 처리가 완료된 복합 홀로그램 합성 예시. 66
[그림 5.2] 배경 홀로그램과 전경 라이트 필드의 폐색 처리가 가능한 접근 방법. (a) 배경 홀로그램을 라이트 필드로 변환 후 라이트 필드 도메인에서 폐색... 69
[그림 5.3] 제안된 처리 방법의 개략도. (a) 주어진 데이터: 배경 홀로그램과 전경 라이트 필드.... 74
[그림 5.4] 주어진 데이터가 이산 object인 경우의 합성된 홀로그램. (a) 주어진 데이터: 배경 홀로그램과 전경 라이트 필드.... 77
[그림 5.5] 주어진 데이터가 이산 object인 경우 제안된 방법으로 합성된 홀로그램, 정답 홀로그램, 제안된 방법이 적용되지 않은 홀로그램의 비교... 81
[그림 5.6] 주어진 데이터가 연속적인 뎁스의 object인 경우 합성된 홀로그램. (a) 주어진 데이터: 배경 홀로그램과 전경 라이트 필드.... 83
[그림 5.7] 주어진 데이터가 연속적인 뎁스의 object인 경우 제안된 방법으로 합성된 홀로그램과 정답 홀로그램의 비교... 85
[그림 5.8] 제안된 방법을 이용한 홀로그램으로부터 각도 별 재구성 뷰. (a) 마스킹이 된 홀로그램,... 87
[그림 5.9] JPEG Pleno 데이터베이스의 홀로그램을 이용한 제안 방법 검증. (a) 배경, 전경 objects.... 89
[그림 5.10] 제안된 방법을 이용한 홀로그램으로부터 각도 별 재구성 뷰. (a) 마스킹이 된 홀로그램,... 90
[그림 5.11] 제안된 방법이 적용되었을 때와 적용되지 않았을 때의 CGH 합성 시간 비교. 93
[그림 6.1] 네트워크의 구조. (a) 조정 가능한 U-net을 사용하지 않았을 경우 기존의 네트워크 구조 ,... 96
[그림 6.2] 네트워크의 입력과 출력. 98
[그림 6.3] 조정할 수 있는 U-net을 이용한 홀로그램으로부터 라이트 필드 취득 결과.... 99
[그림 6.4] 제안된 방법을 이용했을 때와 이용하지 않았을 때 홀로그램으로부터 라이트 필드 취득 결과 비교.... 100
[그림 6.5] 훈련 데이터 셋 예시. 101
[그림 6.6] 제안 방법의 훈련 파라미터 103
[그림 6.7] 트레이닝 데이터 셋과 검증 데이터 셋의 손실 그래프. 103
[그림 6.8] 검증 데이터 셋의 정답과 예측 결과의 비교. (a) 검증 데이터 셋 1을 입력으로 넣었을 때의 정답,... 104
[그림 6.9] 테스트 데이터 셋의 정답과 예측 결과의 비교. (a) 테스트 데이터 셋 1을 입력으로 넣었을 때의 정답,... 105
[그림 6.10] 테스트 데이터 셋의 예측 결과와 기존 방법의 비교. (a) 테스트 데이터 셋 1을 입력으로 넣었을 때의 정답,... 106
[그림 6.11] 랜덤 장면 생성의 3D object[48] 및 렌더링 예시. 111