Derin öğrenme tabanlı kenar rehberli görüntü iç boyama
Edge guided image inpainting based on deep learning
- Tez No: 859240
- Danışmanlar: DR. ÖĞR. ÜYESİ SERDAR ÇİFTÇİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, Sayısal görüntü işleme, Deep learning, Digital image processing
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Harran Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Görüntü iç boyama, hasarlı veya eksik bölgelerin, mevcut görüntü bilgilerinden yararlanarak yeniden inşa edilmesi işlemidir. Derin öğrenme tekniklerinin gelişmesiyle birlikte bu alanda önemli ilerlemeler kaydedilmiş olsa da ciddi düzeyde hasarlı görüntülerin yapısal ve dokusal özelliklerini doğru bir şekilde yeniden oluşturmak hâlâ büyük bir zorluk teşkil etmektedir. Bu çalışmada Koşullu Doku ve Yapı Çift Üretimi (CTSDG) mimarisine dayalı görüntü iç boyama performansını iyileştiren geliştirmeler sunulmaktadır. Baz alınan mimari yapısal ve dokusal olmak üzere iki ayrı akışa sahiptir. Yapısal akış, görüntünün genel düzenini ve yapısını yakalamaya odaklanırken, dokusal akış detaylı doku sentezini gerçekleştirmektedir. İki akış arasındaki ilişkiyi güçlendirmek için çeşitli yeni modüller kullanılmıştır. Bunlardan çift yönlü sıkma ve uyarım ağı içeren geçitli özellik füzyonu her iki yöndeki sıkma ve uyarım işlemleriyle özellik birleştirme sürecini iyileştirmektedir. İyileştirilmiş bağlamsal özellik toplama modülü ise çok ölçekli özellikleri toplayarak çıktıları geliştirmektedir. Buna ek olarak Seçici Çekirdek Özellik Birleştirme ile entegre edilmiş Çift Dikkat Mekanizması birbirini tamamlayıcı özellikleri bir araya getirmektedir. Bu sayede hasarlı girdilerden daha tutarlı yapı ve doku elde edilebilmektedir. Yapılan nicel deneyler PSNR değerinde %0-20 maskeler için %2,69, SSIM değerinde %40-60 maskeler için %1.43 oranında iyileşme göstermiştir. Nitel sonuçlar ise, ciddi düzeyde hasarlı görüntülerin eksik bölgelerinin çok daha yüksek görsel kalitede yeniden yapılandırılabildiğini ortaya koymuştur
Özet (Çeviri)
Image inpainting is the process of reconstructing damaged or missing regions in an image by utilizing the available image information. Although deep learning techniques have enabled significant progress in this field, accurately reconstructing the structural and textural properties of severely corrupted images continues to pose a significant challenge. In this study presents enhancements to improve the image inpainting performance based on the Conditional Texture and Structure Dual Generation (CTSDG) architecture. The CTSDG architecture consists of two separate streams: a structural stream dedicated to capturing the overall layout and structure of the image, and a texture stream specialized in detailed texture synthesis. Various innovative modules have been utilized to strengthen the relationship between these two streams. One such module is the Gated Feature Fusion with Bidirectional Squeeze and Excitation (Bi-SE-GFF), which enhances the feature fusion process through bidirectional squeeze and excitation operations in both directions. Furthermore, the Enhanced Contextual Feature Aggregation (ECFA) module improves the outputs by aggregating multi-scale contextual features. Additionally, the Dual Attention Mechanism integrated with Selective Kernel Feature Fusion (SKFF) combines complementary features, allowing for more coherent structure and texture generation from corrupted inputs. Quantitative experiments demonstrate that the proposed approach achieves a 2.69% improvement in PSNR for 0-20% mask ranges and a 1.43% improvement in SSIM for 40-60% mask ranges compared to the baseline. Qualitative results indicate that the missing regions in severely corrupted images can be reconstructed with significantly higher visual quality.
Benzer Tezler
- Deep learning model based on artificial intelligence for detection and classification of asphalt distress
Asfalt bozulmalarının tespiti ve sınıflandırılması için yapay zekâ tabanlı derin öğrenme modeli
MUHAMMET FATİH SADAK
Yüksek Lisans
İngilizce
2025
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULLAH HİLMİ LAV
- Zeytin hastalıklarının derin öğrenme ile tespiti
Detection of olive fruit diseases with deep learning
ÇAĞLA TOPRAK ERDURAK
Yüksek Lisans
Türkçe
2025
Mekatronik MühendisliğiBandırma Onyedi Eylül ÜniversitesiMekatronik Ana Bilim Dalı
DOÇ. DR. SERHAT KILIÇARSLAN
- Otonom araçların şerit algılama sistemlerinde YOLO mimarilerinin (v9, v11, v12, v26) semantik segmentasyon performanslarının karşılaştırmalı değerlendirilmesi
Comparative evaluation of the semantic segmentation performance of YOLO architectures (v9, v11, v12, v26) in lane detection systems of autonomous vehicles
ZEYNEP KUBİLAY YUNSO
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL HAKKI CEDİMOĞLU
- A safe drug recommendation system based on graph neural networks (GNN) and explainable artificial intelligence (XAI)
Graf sinir ağları (GNN) ve açıklanabilir yapay zeka (XAI) tabanlı güvenli ilaç öneri sistemi
YUSUF ÇELİK
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAkdeniz ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ALPER BİLGE
- Derin öğrenme tabanlı görevlerin kenar bilişim yöntemiyle uzak sunucuya taşınması
Offloading tasks to remote server for deep learning based applications over edge computing system
HÜSEYİN ENES İLHAN
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN