Üretken çekişmeli ağ tabanlı gürültü azaltma
Generative adversarial network based denoising
- Tez No: 1001049
- Danışmanlar: PROF. DR. AHMET MERT
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Mekatronik Mühendisliği, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Electrical and Electronics Engineering, Mechatronics Engineering, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, Görüntü işleme, Gürültü azaltma, Üretici çekişmeli ağlar, Deep learning, Image processing, Noise reduction, Generative adversial networks
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Bursa Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Üretken Çekişmeli Ağ (GAN), son yıllarda popülerliği gittikçe artan derin öğrenme mimarilerinden biridir. GAN, görüntüden gürültü temizleme, görüntü sentezleme ve bölütleme, görüntü sınıflandırma, çözünürlük artırma gibi birçok alanda araştırmacıların dikkatini çekmiştir. Üretken modelleme teknikleri, yapılan çalışmalarla birlikte araştırmacıların ilgi odağı olmuştur. GAN, bu konuda önde gelen ağlardan biridir. GAN; sanal gerçeklik, artırılmış gerçeklik, görüntülerde gürültü giderme, metinden konuşmaya sentez gibi birçok alanda etkileyici sonuçlar göstermiştir. Bu ağlar iki kısımdan oluşmaktadır. Birincisi üretken ağ adı verilen rastgele gürültüden görüntü üreten ağ, ikincisi ise ayırt edici adı verilen gerçek resim ile üretici tarafından üretilen görüntüleri sınıflandıran ağdır. GAN; veri dağılımlarını doğru bir şekilde modellemesi, mimari olarak büyük esneklik sunması ve niteliği yüksek tablo halinde veri üretmesinden dolayı son yıllarda daha çok kullanılmıştır. Görüntüde gürültüyü giderme üzerine yapılan son araştırmalar başta Evrişimli Sinir Ağı (CNN) olmak üzere derin öğrenme mimarilerinin geliştirilmesiyle hızlanmıştır. Bununla beraber gerçek dünyadaki görüntülerde gürültüyü gidermek hala çok zordur çünkü görüntünün hem tamamen gürültüsüz (temiz) hem de gürültülü versiyonlarının tam olarak eşleşen çiftlerini elde etmek mümkün değildir. Yayımlanan kıyaslama veri kümeleri nedeniyle, görüntü gürültü giderme topluluğunun ilgisi artık gerçek dünyadaki gürültü giderme sorununa doğru kaymaktadır. Çalışmada hiper parametre optimizasyonu yapılan model, geleneksel yöntemlerden yerel olmayan ortalama filtresi ve blok eşleştirme ve 3 boyutlu filtreleme (BM3D) ile karşılaştırılmıştır. Standart sapması 0,1 olan Toplanır Beyaz Gauss Gürültüsü(AWGN) eklenmiş doğrulama veri seti üzerinde gerçekleştirilen çalışmada ortalama olarak 29,0819 (dB - Desibel) Tepe Sinyal-gürültü Oranı (PSNR) ve 0,8846 Yapısal Benzerlik İndeksi (SSIM) değerleri elde edilmiştir. Aynı görüntüler için BM3D kullanıldığında, 26,1971 (dB) PSNR ve 0,8077 SSIM değerleri elde edilmiştir. Yerel olmayan ortalama filtre kullanıldığında ise 22,2747 (dB) PSNR ve 0,6421 SSIM sonuçları elde edilmiştir. Model çalışmanın son kısmında farklı gürültü miktarlarıyla eğitilmiştir, modern yöntemler ile yapılan mukayese neticesinde sonuçların büyük oranda modern yöntemlerden daha iyi olduğu görülmüştür.
Özet (Çeviri)
Generative Adversarial Network (GAN) are one of the deep learning architectures that have grown increasingly popular in recent years. GAN have attracted the attention of researchers in many areas, such as image denoising, image synthesis and segmentation,image classification, and resolution enhancement. Generative modeling techniques have become a focus of interest for researchers, along with the studies conducted. GAN is one of the leading networks in this field. GAN has shown impressive results in many areas such as virtual reality, augmented reality, noise reduction in images, and text-to-speech synthesis. These network consists of two parts. The first is the generative network, which produces images from random noise, and the second is the discriminative network, which classifies real images and images produced by the generator. GAN has been used more frequently in recent years due to its ability to accurately model data distributions, offer great flexibility in terms of architecture, and produce high-quality tabular data. Recent research on image denoising has accelerated with the development of deep learning architectures, primarily Convolutional Neural Network (CNN). However,removing noise from real-world images remains very difficult because it is impossible to obtain perfectly matched pairs of both completely noise-free (clean) and noisy versions of an image. Due to the published benchmark datasets, the interest of the image denoising community is now shifting towards real-world denoising problems. The model with hyperparameter optimization was compared with traditional methods such as the non-local mean filter, block matching, and 3D filtering (BM3D). The study was conducted on a validation dataset with added Additive White Gaussian Noise(AWGN) with a standard deviation of 0.1, yielding an average Peak Signal-to-Noise Ratio (PSNR) of 29.0819 (dB - Decibel) Peak Signal-to-Noise Ratio (PSNR)and 0.8846 Structural Similarity Index (SSIM) results were obtained. When BM3D was used for the same images, 26.1971 (dB) PSNR and 0.8077 SSIM values were obtained. When a non-local mean filter was used, PSNR and SSIM results of 22.2747(dB) and 0.6421 were obtained. The model was trained with different noise levels in the final part of the study, and the comparison with modern methods showed that the results were significantly better than those obtained with modern methods.
Benzer Tezler
- Conditional generative adversarial network based room impulseresponse generator
Koşullu çekişmeli ağ tabanlı oda yankı izi üreteci
MEHMET PEKMEZCİ
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YAKUP GENÇ
- Self-supervised pansharpening: Guided colorization of panchromatic images using generative adversarial networks
Öz-denetimli pankeskinleştirme: Çekişmeli üretken ağlar ile pankromatik görüntülerin güdümlü renklendirilmesi
FURKAN ÖZÇELİK
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÖZDE ÜNAL
- Generative adversarial networks in computer vision applications
Bilgisayarli görü uygulamalarinda çekişmeli üretici ağlar
SEMİH ÖRNEK
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Novel deep learning based approaches for clutter removal and target detection in GPR
Ynr'de kargaşa giderme ve hedef algılama için yeni derin öğrenme tabanlı yaklaşımlar
YAVUZ EMRE KAYACAN
Doktora
İngilizce
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- On real-world face super-resolution and face image synthesis evaluation
Gerçek dünya yüz süper çözünürlüğü ve yüz görüntüsü sentezi değerlendirmesi üzerine
ERDİ SARITAŞ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAZIM KEMAL EKENEL