Image super resolution using deep learning techniques
Görüntülerin derin öğrenme teknikleri ile üstün çözünürlükte yeniden oluşturulması
- Tez No: 905366
- Danışmanlar: PROF. DR. MUSTAFA TANER ESKİL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Işık Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Bilimi ve Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Derin Öğrenme Teknikleri kullanarak Görüntü Süper Çözünürlüğü (SR), görüntü kalitesini ve detayını geliştirmede önemli bir araştırma alanı haline gelmiştir. Bu tez, CARN, EDSR, ESPCN, RCAN, RDN, SRCNN, SRGAN ve VDSR olmak üzere sekiz gelişmiş derin öğrenme tabanlı SR yöntemini, DIV2K veri kümesini kullanarak incelemekte ve karşılaştırmaktadır. Değerlendirme, her yöntemin etkinliğini, verimliliğini ve yapısını tam anlamıyla anlamak için birden fazla yönü kapsamaktadır. Süper çözünürlüklü görüntülerin kalitesini değerlendirmek için tepe Sinyal-Gürültü Oranı (PSNR) ve Yapısal Benzerlik İndeksi (SSIM) gibi performans ölçümleri kullanılmaktadır. Hesaplama verimliliği, çıkarım süresi ve bellek gereksinimleri temel alınarak değerlendirilmiştir. Eğitim süresi, DIV2K veri kümesinde eğitim için yakınsamanın hızı göz önünde bulundurularak analiz edilmiştir. Model karmaşıklığı incelenmiş, ağ derinliği gibi mimari detaylar ve kalıntı blokları ve dikkat mekanizmaları gibi özel unsurların entegrasyonu gibi konular araştırılmıştır. Ek olarak bu tezde, performans ve karmaşıklık arasındaki dengeyi net ve detaylı bir şekilde ortaya koyduk; daha karmaşık mimarilerin daha basit modellere kıyasla önemli ölçüde daha iyi sonuçlar verip vermediğini ve hesaplama maliyetinin geliştirmeleri haklı çıkarıp çıkarmadığını inceledik. Son olarak, her tekniğin güçlü ve zayıf yönlerini vurgulamak için nitel bir karşılaştırma yaptık. Bu kapsamlı analiz aracılığıyla, bu tez, araştırmacıların ve uygulayıcıların çeşitli uygulamalar için en uygun yöntemi seçmelerine yardımcı olarak, derin öğrenme tabanlı görüntü süper çözünürlüğü alanında içgörüler sunmaktadır.
Özet (Çeviri)
Image SR using Deep Learning Techniques has become a critical area of research, with significant progress in improving image quality and detail. This thesis examines and contrasts eight advanced deep learning-based SR methods: CARN, EDSR, ESPCN, RCAN, RDN, SRCNN, SRGAN, and VDSR, using the DIV2K dataset. The evaluation covers multiple aspects to offer a thorough understanding of each method's effectiveness, efficiency, and structure. Performance measurements such as PSNR and SSIM are utilized for evaluating the fidelity of super-resolved images. Computational efficiency is evaluated based on inference time and memory requirements. Training time is analyzed, taking into account the speed of convergence for training on the DIV2K dataset. Model complexity is examined, exploring architectural details such as network depth, and the integration of specialized elements like residual blocks and attention mechanisms. Additionally, the thesis explains in a clear and detailed manner the trade-offs between performance and complexity, discussing whether more complex architectures deliver significantly better results compared to simpler models and whether the computational cost justifies the improvements. Finally, a qualitative comparison is conducted to emphasize the strengths and weaknesses of each technique. Through this comprehensive analysis, this thesis offers insights into the field of deep learning-based image SR, assisting researchers and practitioners in choosing the most appropriate method for various applications.
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
- Words as art materials: Generating paintings with sequential generative adversarial networks
Sanat materyali olarak kelimeler: Seri üretici çekişmeli ağlar ̇ile sanatsal resim üretimi
AZMİ CAN ÖZGEN
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAZIM KEMAL EKENEL
- 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
- Görüntü işlemede derin öğrenme tabanlı süper çözünürlük uygulamaları
Deep learning based super resolution applications in image processing
AHENK VURAL
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- A new approach to facial recognition using 3D face reconstruction
Başlık çevirisi yok
SHAMILK AMİL YASEEN
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEFER KURNAZ
- Land cover and land use classification of multi-modal high-resolution satellite images using multi-task deep learning approach
Çok görevli derin öğrenme tekniği ile çok kipli yüksek çözünürlüklü uydu görüntülerinin arazi örtüsü ve arazi kullanımı sınıflandırılması
BURAK EKİM
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL