Image restoration with deep convolutional neural network
Derin evrimsel sinir ağı ile görüntü restorasyonu
- Tez No: 712510
- Danışmanlar: DR. ÖĞR. ÜYESİ TARKAN AYDIN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 70
Özet
Bu tez kapsamında, bozulmuş varyasyonlardan orijinal görüntüleri kurtarmak için çeşitli son teknoloji ile karşılaştırılan evrişimli sinir ağı (CNN) öneriyoruz. daha az parametrenin kullanılması, derin öğrenmede, görüntü restorasyon işlemleri, derin evrişimli sinir ağı gürültü giderme ve artefaktların azaltılması için kullanılan modellerimizin verimliliğini etkilemeden daha hafif modeller geliştirmeyi amaçlayan yeni bir eğilimi temsil eder. Görüntü restorasyonu, bilgisayarda önemli bir uygulamadır. tıbbi görüntüleme ve güvenlik sistemleri gibi birçok pratik alanda kullanılan görme ve görüntü işleme. Son zamanlarda, derin öğrenme algoritmalarını kullanarak yalnızca düşük çözünürlüklü (LR) görüntülerden yüksek çözünürlüklü görüntüleri varsaymak için birkaç son teknoloji algoritma geliştirilmiştir. Düşük çözünürlüklü görüntülerde alt örneklemeye ek olarak bulanıklaştırma gibi bozulmalarla uğraşmak çok daha az ilgi görmesine rağmen önemlidir. Bu çalışmada, görüntü restorasyonu ve bulanık, gürültülü ve aşağı örneklenmiş görüntülerden yüksek çözünürlüklü görüntüler üretmek için aynı anda DCNN mimarileri önerdik, durumlar göz önünde bulunduruldu: kör olmayan, gürültünün doğası ve seviyesinin bilindiği, -kör yöntem, modeli eğitirken ve verileri test ederken belirli bir bulanıklık ve gürültü seviyesi kullanır ve bu yöntem, bulanıklık çekirdeği hakkında önceden bilgi sahibi olduğumuzda kullanılır. Ayrıca, her blur çekirdeği için ayrı bir model eğitimi gerektirir. Ancak, düşük çözünürlüklü ve bulanık, gürültülü bir görüntüyü geri yüklemek için tek bir derin öğrenme modelinin eğitildiği yer. Ayrıca, MPEG ve JPEG gibi görüntü sıkıştırma biçimleri, görüntülerde bulanıklık, zil sesi ve artefaktları engelleme gibi bozulma etkilerinin bir kombinasyonunu sunabilir. CNN modellerini kullanarak temiz görüntüyü geri yükleyen bir yaklaşım.
Özet (Çeviri)
We propose convolutional neural networks in this thesis (CNN) to restore clear images from damaged variations when compared to several state-of-the-art technologies Deep learning models with fewer parameters are becoming increasingly popular as a new deep learning approach tries to design models that are lighter without sacrificing efficiency of our models, which are used for image restoration operations, deep convolutional neural network denoising, as well as artifact reduction In computer vision and image processing, image restoration is a vital application and it is employed in a wide range of practical applications medical imaging and safety systems, for example Many state-of-the-art algorithms have recently been developed to anticipate high-resolution images from low-resolution images using deep learning approaches, which are becoming increasingly popular. It is important to cope with picture degeneration such as blurring and down-sampling in low resolution photographs, but it has gotten relatively little attention. For the purposes of this work, we presented DCNN architectures that can be used for image restoration while also creating high resolution pictures from blurred, noisy, and down-sampled images. The following scenarios were considered: The non-blind techniques make use of a specific blur and also the noise level during the process of training and testing the model and this strategy is used when the blur kernels are known nevertheless, A single deep learning model, on the other hand, may be trained to repair a low-resolution and blurred-and-noise image, Formats for compressing images like MPEG and JPEG for example, may have a variety of undesirable impacts on photographs, including blurring, ringing, and blocking artifacts which can be difficult to correct. With the use of CNN models, we suggest a method for restoring clear picture.
Benzer Tezler
- Integration of structured energy-based models with deep neural networks for image restoration
Başlık çevirisi yok
FAZIL ALTINEL
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTohoku UniversityDR. TAKAYUKİ OKATANİ
- Derin öğrenme tabanlı yöntemlerle düşük ışıklı görüntü iyileştirme
Low light image enhancement with deep learning based methods
EMİN CİHANGİR US
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Derin öğrenme tabanlı görüntü gürültü giderme için yoğun bağlantı kullanan yeni yaklaşımlar
Densely connected structures in deep learning based image denoising
VEDAT ACAR
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Efficient human parsing and inpainting using advanced deep learning techniques
Gelı̇şmı̇ş derı̇n öğrenme teknı̇klerı̇nı̇ kullanarak etkı̇n ı̇nsan ayrıştırma ve inpainting
MD IMRAN HOSEN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TARKAN AYDIN
- Directional regularization based variational models for image recovery
Görüntü onarımı için yön güdümlü düzenlemeye dayalı varyasyonel modeller
EZGİ DEMİRCAN TÜREYEN
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ERSEL KAMAŞAK