Deep learning technologies for image processing have been widely studied to detect objects, restore image quality, etc. However, models with high performance typically require large amounts of labeled data, which can be difficult to obtain in practice. To address this, recently, deep learning methods using limited amounts of labeled data have been developed. Regarding this, I developed deep learning methods for various image processing tasks using unlabeled or small amounts of labeled data. First, I proposed a semi-/un-supervised learning-based image segmentation method using a novel loss function that takes images without any labels. Also, I presented an unsupervised multiscale image registration method based on the cycle consistent model to handle high-resolution images while preserving topology. In addition, I designed a diffusion-based unsupervised image registration method that provides intermediate deformations between source and target images, leading to deforming images with a less folding problem. Moreover, I proposed a missing image imputation method using the diffusion model, which generates missing data without losing the identity of observations. Lastly, I presented a diffusion adversarial representation learning model that synthesizes semantic images and thereby learns image segmentation in a self-supervised manner. These learning-based image processing methods provide desired outputs in real time and can be useful in various imaging fields.
영상 처리를 위한 딥 러닝 기술은 영상 내 객체 감지, 영상 품질 복원 등을 위해 많이 연구되고 있다. 고성능의 딥 러닝 모델은 일반적으로 많은 양의 라벨 데이터를 필요로 하지만, 이는 실제로 얻기 어려운 경우가 있다. 이를 해결하기 위해 최근에는 제한된 양의 라벨 데이터를 사용하는 딥 러닝 방법이 개발되고 있다. 본 논문에서는 다양한 영상 처리 작업에 대해 라벨이 존재하지 않거나 소량의 라벨 데이터를 사용하는 여러 가지 딥 러닝 방법을 개발하였다. 먼저, 라벨이 없는 영상에 대해 적용 가능한 새로운 영상 분할 손실 함수를 제시하고, 준 지도/비지도 학습에 적용할 수 있음을 보였다. 또한, 비지도 학습 기반의 다중 스케일 영상 정합 방법을 제시하여 영상 변형 전후의 위상을 보존하면서 고해상도 영상 정합이 가능함을 보였다. 더 나아가, 스코어 기반 확산 모델을 이용한 영상 정합 모델을 개발하여 소스 영상과 타겟 영상 사이의 연속적인 변형을 통해 높은 성능의 영상 정합을 제공함을 보였다. 그리고 확산 모델 기반의 결측 영상 대치 방법을 제시하여 관측 데이터의 정체성을 잃지 않고 결측 데이터를 생성함을 보였다. 마지막으로, 확산 모델과 적대적 학습 방법을 결합한 영상 생성 모델을 개발하여 의미론적 영상 합성을 통해 라벨이 없는 환경에서 효과적인 영상 분할이 가능함을 보였다. 이러한 딥 러닝 기반 영상 처리 기법은 원하는 출력을 실시간으로 제공하여 다양한 영상 분야에 유용하게 적용될 수 있다.
