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: Belirtilmemiş.
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
- Super-resolution image generation from earth observation satellites using generative adversarial networks
Çekişmeli üretici ağlar kullanılarak yer gözlem uydularından süper çözünürlüklü görüntü oluşturulması
EZGİ BURÇİN GAZEL BULUT
Yüksek Lisans
İngilizce
2022
Jeodezi ve FotogrametriHacettepe ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ ÖZGÜN OK
- Deep learning methods for blind super resolution using self-attention transformers and degradation estimations
Öz-dikkat dönüştürücüler ve bozulma tahminleri kullanarak kör süper çözünürlük için derin öğrenme yöntemleri
BATUHAN VARDAR
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞEYDA ERTEKİN BOLELLİ
- 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
- Efficient super-resolution and MR image reconstruction networks
Verimli süper çözünürlük ve MR imgeleri geriçatım ağları
DURSUN ALİ EKİNCİ
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN