Image super-resolution using deep feedforward neural networks in spectral domain
Spektral alanda derin ileri beslemeli sinir ağları kullanılarak görüntü süper çözünürlüğü
- Tez No: 495978
- Danışmanlar: DOÇ. DR. SELİM AKSOY, DR. ÖĞR. ÜYESİ RAMAZAN GÖKBERK CİNBİŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 79
Özet
Derin öğrenme alanındaki son gelişmelerle birlikte, bilgisayarla görüde öğrenme makineleri ve ana yaklaşımlar, sınıfandırıcılarla birlikte kodlanmış sabit özelliklerden uçtan uca eğitilmiş, bilgisayarla görü araştırma alanlarının çoğunda başarılı sonuçlar veren derin konvülsiyonel sinir ağlarına dönüşmektedir. Tek görüntü süper çözünürlüğü, derin öğrenme gelişmelerinden önemli derecede etkilenen alanlardan biridir. Süper çözünürlük problemindeki mevcut en başarılı yöntemlerin çoğu, ağ mimarilerinde ardışık konvolusyonel katmanları kullanarak uzamsal alanda düşük çözünürlüklü görüntülerden yüksek çözünürlüklü görüntülere doğrusal olmayan bir eşleştirme öğrenirler. Bununla birlikte, bu sonuçlar, her bir farklı ölçek faktörü için ayrı bir sinir ağı mimarisi eğitimi ile elde edilir. Her ölçek faktörü için ayrı bir sinir ağının eğitilmesinin gerekliliğini ortadan kaldırmak için, spektral tanım kümesinde sınırlı sayıda öğrenme parametresine sahip yeni bir tek görüntü süper özünürlük sistemi öneriyoruz. Görüntüleri uzamsal tanım kümesinden frekans tanım kümesine dönüştüren bir spektral dönüşüm fonksiyonu olarak, ayrık Fourier dönüşümünün bir varyantı olan ayrık kosinüs dönüşümü kullanılır. Buna ek olarak, işlem sonrasında, spektral dönüşümlerden dolayı meydana gelen yapay salınımların kaldırılması için bir salınım azaltma modülü eklenmiştir. Süper-çözünürlük sistemimizin PSNR ölçümü mevcut başarılı yöntemlerden daha düşük olsa bile, spektral tanım kümesi, herhangi bir ölçek faktörü için tek bir veri kümesi ile tek bir model geliştirmemizi ve nispeten daha iyi SSIM sonuçları elde etmemizi sağlar.
Özet (Çeviri)
With recent advances in deep learning area, learning machinery and mainstream approaches in computer vision research have changed dramatically from hardcoded features combined with classifiers to end-to-end trained deep convolutional neural networks (CNN) which give the state-of-the-art results in most of the computer vision research areas. Single-image super-resolution is one of these areas which are considerably influenced by deep learning advancements. Most of the current state-of-the-art methods on super-resolution problem learn a nonlinear mapping from low-resolution images to high-resolution images in the spatial domain using consecutive convolutional layers in their network architectures. However, these state-of-the-art results are obtained by training a separate neural network architecture for each different scale factor. We propose a novel singleimage super-resolution system with the limited number of learning parameters in spectral domain in order to eliminate the necessity to train a separate neural network for each scale factor. As a spectral transform function which converts images from the spatial domain to the frequency domain, discrete cosine transform (DCT) which is a variant of discrete Fourier transform (DFT) is used. In addition, in the post-processing step, an artifact reduction module is added for removing ringing artifacts occurred due to spectral transformations. Even if the PSNR measurement of our super-resolution system is lower than current stateof-the-art methods, the spectral domain allows us to develop a single model with a single dataset for any scale factor and relatively obtain better SSIM results.
Benzer Tezler
- Yapay sinir ağları ile optik karakter tanıma
Optical character recognition with artificial neural network
MURATCAN UZTEMUR
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. AFİFE LEYLA GÖREN SÜMER
- Image super resolution using deep learning techniques
Görüntülerin derin öğrenme teknikleri ile üstün çözünürlükte yeniden oluşturulması
SALAH EDDINE EL BALLOUTI
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolIşık ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA TANER ESKİL
- Satellite images super resolution using generative adversarial networks
Uydu görüntülerinde çekişmeli üretici ağ kullanarak süper çözünürlük
MARYAM SERDAR
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. AHMET HAMDİ KAYRAN
- Süper çözünürlük yöntemlerinin ultrason görüntülerinde incelenmesi
Examination of super resolution methods on ultrasound images
EZGİ KÜPÇÜOĞLU YAŞIN
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. HASAN ŞAKİR BİLGE
- Düşük çözünürlüklü video sahnelerinden yüksek çözünürlüklü video sahnelerinin elde edilmesi
Generating high resolution video scenes from low resolution video frames
YILDIRAY ANAGÜN
Doktora
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi ÜniversitesiElektrik-Elektronik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EROL SEKE