Доклад. Исследование и анализ методов суперразрешения изображений ( Слайд 1 ). ( Слайд 2 )
 Скачать 29.19 Kb.
|
|
Доклад ИССЛЕДОВАНИЕ И АНАЛИЗ МЕТОДОВ СУПЕР-РАЗРЕШЕНИЯ ИЗОБРАЖЕНИЙ (Слайд 1). (Слайд 2). Методы супер-разрешения нашли своё применение во многих областях, они активно усовершенствуются в связи с постоянным увеличением объёмов информации. Проблема сверхвысокого разрешения изображения, особенно сверхвысокого разрешения одиночного изображения, привлекает все большее внимание исследователей на протяжении десятилетий. Методы супер-разрешения предназначены для восстановления изображения с высоким разрешением из одного изображения с низким разрешением. Методы сверхвысокого разрешения изображения очень удобны и полезны, они широко применяются во многих областях, включая распознавание людей и дистанционное зондирование. Современные методы супер-разрешения ведут к расширению возможностей бизнеса, ведь основа бизнеса – это его рентабельность, а с применением эффективных методов она возрастает, что представлено на графике. Поэтому разработка и исследование методов супер-разрешения столь актуальна на сегодняшний день. При разработке устройств цифрового изображения все чаще встаёт вопрос о необходимости использования эффективных методов супер-разрешения изображений. В этом и состоит актуальность темы данной работы «Исследование и анализ методов супер-разрешения изображений». (Слайд 3). Целью работы является исследование различных методов супер-разрешения, выявление их преимуществ и недостатков. Цель реализована из следующих задач: изучить современные методы супер-разрешения изображений; определить методы оценки качества изображения; проанализировать современные методы супер-разрешения; (Слайд 4). С этой целью в работе исследованы следующие методы супер-разрешения: SRCNN, SRGAN, EDSR, VDSR, MDSR (Слайд 5). Для осуществления оценки качества методов решены задачи по изучению методов оценки качества изображения. Для оценки полученных изображений сверхвысокого качества выбрана объективная метрика, основанная на вычислительных моделях, которые пытаются оценить качество изображения. (Слайд 6). Выбранная метрика PSNR позволяет определить качество восстановление ухудшенного изображения по сравнению с оригинальным изображением. Чем выше PSNR, тем лучше реконструировано ухудшенное изображение, чтобы оно соответствовало исходному изображению, и тем лучше алгоритм реконструкции. Это возникает, потому что мы хотим минимизировать абсолютную ошибку между изображениями по отношению к максимальному значению сигнала изображения. (Слайд 7). Это позволило перейти к таким этапам процесса исследования, как: 1) подготовка данных, 2) выбор функции потерь, 3) оценки качества методов. (Слайд 8). Начальным этапом является подготовка данных. Одним из простых способов получения данных LR является ухудшение данных HR. Это часто делается с помощью размытия или добавления шума. Изображения с более низким пространственным разрешением также можно масштабировать с помощью классического метода повышения дискретизации, такого как билинейная или бикубическая интерполяция. (Слайд 9). Следующим этапом анализа является выбор функции потерь. Функции потерь используются для измерения разницы между сгенерированным изображением высокого разрешения и настоящим изображением высокого разрешения. Эта разница (ошибка) затем используется для оптимизации модели обучения с учителем. Существует несколько классов функций потерь, каждый из которых оштрафовывает свой аспект генерируемого изображения: Пиксельная ошибка Ошибка содержимого Ошибка текстуры Полная вариационная ошибка Состязательная ошибка (Слайд 10). Завершающим этапом является оценки качества методов супер-разрешения. На слайде представлена сравнительный график с результатами оценки качества сгенерированного изображения сверхвысокого разрешения. Показатели метрики наглядно демонстрируют лучший метод, которые даёт лучшую производительность. (Слайд 11). Таким образом, в ходе выполнения выпускной квалификационной работы решены все сформулированные задачи и достигнута поставленная цель. Практическая ценность работы – исследованы и выявлены преимущества и недостатки методов супер-разрешения изображений. Благодаря применению современных программных средств и подходов, оценены качества полученных изображения данных методов. На основе сравнительного анализа выявлен лучший на сегодняшний день метод супер-разрешения изображений. |