Geri Dön

Generative augmentation for blind image super-resolution

Gözü kapalı görüntü süper-çözünürlük için üretken veri çoğaltma

PDF İndir

  1. Tez No: 999508
  2. Yazar: SÜLEYMAN YILDIRIM
  3. Danışmanlar: DOÇ. DR. AYKUT ERDEM
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mühendislik Bilimleri, Computer Engineering and Computer Science and Control, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: Koç Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Gözü kapalı görüntü süper-çözünürlük (SR) alanında önemli ilerlemeler kaydedilmiş olsa da, gelişim hâlâ gerçek düşük çözünürlüklü (LR) ve yüksek çözünürlüklü (HR) görüntü çiftlerinin eksikliğiyle sınırlanmaktadır. Mevcut yöntemler genellikle, HR görüntülere rastgele uygulanan gürültü seviyeleri, bulanıklık filtreleri ve sıkıştırma bozulmalarından oluşan basitleştirilmiş modellerle sentetik bozulmalar üretmeye dayanır. Ancak bu tür elle tasarlanmış bozulmalar, gerçek dünyadaki görüntüleme süreçlerinin karmaşıklığını yansıtamadığından, sentetik eğitim verisi ile gerçek dünya test koşulları arasında önemli bir dağılım farkına neden olur. Bu sınırlamayı aşmak için, gerçek bozulma özelliklerini doğrudan gerçek görüntülerden öğrenen üretken veri çoğaltma çatısı öneriyoruz. Önerdiğimiz yöntem, temiz HR girdilerden gerçekçi LR karşılıklar üreterek, pratik koşullarla yüksek uyumluluk gösteren, bozulma farkındalığına sahip büyük ölçekli eğitim veri kümelerinin oluşturulmasını sağlar. Yapılan kapsamlı deneyler, ürettiğimiz verilerle eğitilen modellerin birden fazla gerçek dünya veri setlerinde üstün performans sergilediğini, dağılım farkını belirgin şekilde azalttığını ve yaygın kullanılan diğer bozulma yöntemlerini geride bıraktığını göstermektedir.

Özet (Çeviri)

Blind image super-resolution (SR) has made significant progress; however, its development remains constrained by the lack of paired datasets containing real low-resolution (LR) and high-resolution (HR) images. Existing methods typically rely on synthetic degradations generated from simplified models, where noise levels, blur kernels, and compression artifacts are randomly applied to HR images. Unfortunately, such handcrafted degradations fail to reflect the true complexity of real-world imaging pipelines, leading to a substantial domain gap between synthetic training data and real-world test conditions. To overcome this limitation, we propose a generative augmentation framework that learns real degradation characteristics directly from real-world images. Our method generates realistic LR counterparts from clean HR inputs, enabling the construction of large-scale, degradation-aware training datasets that closely align with practical scenarios. Extensive experiments show that models trained on our generated data achieve superior performance on multiple real-world benchmarks, effectively reducing the domain gap and outperforming state-of-the-art blind SR approaches.

Benzer Tezler

  1. Tez No

    512333

    Skin lesion classification using deep convolutional neural network and HSV color space

    Derin evrişimsel sinir ağı ve HSV renk uzayı kullanarak cilt lezyonlarının sınıflandırılması

    TAMERLAN NUSRADDINOV

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA ERSEL KAMAŞAK

  2. Tez No

    961816

    Optimized deep learning approach for image augmentation and classification using generative adversarial network and vision transformer

    Çekişmeli üretici ağ ve görüntü dönüştürücü kullanarak görüntü artırımı ve sınıflandırma içı̇n optı̇mı̇ze edı̇lmı̇ş derı̇n öğrenme yaklaşımı

    EMRE YÜKSEK

    Doktora

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Bilim ve Teknoloji Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. KEMAL ADEM

  3. Tez No

    675004

    Yüz ifadesi tanıma başarımı için ilgili bölge belirleme ve çekişmeli üretici ağlar kullanılarak örnek artırım yöntemlerinin geliştirilmesi

    Development of a region of interest detection and a generative adversarial network based image augmentation approach for improving facial expression recognition performance

    ÖMER FARUK SÖYLEMEZ

    Doktora

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BURHAN ERGEN

  4. Tez No

    792249

    A new and efficient method for synthetic data generation with generative adversarial networks

    Çekişmeli üretici ağ kullanilarak sentetik data üretmede yeni ve verimli bir metod

    OKAN DÜZYEL

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik MühendisliğiDokuz Eylül Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET KUNTALP

  5. Tez No

    859945

    Sentetik açıklıklı radar görüntülerinin derin evrişimli ağlarla tanınmasına yönelik veri artırımı yaklaşımlarının incelenmesi

    Examining data augmentation approaches for recognition of synthetic aperture radar images with deep convolutionary networks

    BİLGE SİNAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Savunma ve Savunma TeknolojileriBaşkent Üniversitesi

    Savunma Teknolojileri ve Sistemleri Ana Bilim Dalı

    DOÇ. DR. EMRE SÜMER

Geri Dön