Deep learning-based unrolled reconstruction methods for computational imaging
Hesaplamalı görüntüleme için derin öğrenme tabanlı geriçatım yöntemleri
- Tez No: 695447
- Danışmanlar: DOÇ. DR. SEVİNÇ FİGEN ÖKTEM
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Algoritmalar, Hesaplama, Spektral analiz, Algorithms, Calculation, Spectral analysis
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Hesaplamalı görüntüleme, görüntülerin hesaplama kullanılarak dolaylı ölçümlerden elde edilmesidir. Bu tezde, çeşitli hesaplamalı görüntüleme metotları için derin öğrenme tabanlı geriçatım yöntemleri geliştirilmektedir. İlk olarak, kırınımlı çoklu spektral görüntüleme için derin öğrenme tabanlı iki geriçatım yöntemi geliştirilmektedir. İlk yaklaşım, derin gürültüsüzleştiriciler ile koy ve oynat düzenlileştirmesine dayanan özyineli bir yöntem ve ikinci yaklaşım, özyineli yöntemin iterasyonlar boyunca açılmasına dayanan baştan sonra öğrenilmiş bir yöntemdir. İkinci olarak, ölçümleri evrişim ve üstdüşüm içeren genel çok boyutlu görüntüleme sistemleri dikkate alınmaktadır. Gerçekçi kırpılmış görüntüleme modeli formüle edilmektedir ve ilgili ters problemi çözmek için derin öğrenme tabanlı geriçatım yöntemi geliştirilmektedir. Yöntemin performansı, tek-çerçeve ters evrişim ve kırınımlı çoklu spektral görüntüleme uygulamaları için gösterilmektedir. Üçüncü olarak, derin öğrenme tabanlı geriçatım yöntemleri hem klasik hem de kırpılmış görüntüleme modelleri kullanılarak sıkıştırılmış spektral görüntüleme metoduna uygulanmaktadır. Geliştirilen bütün yöntemlerin performansları, U-Net'i de içeren farklı evrişimsel sinir ağı mimarileri kullanılarak örnek uygulamalar için karşılaştırmalı olarak değerlendirilmektedir. Sonuçlar, tüm benzetim durumlarında, geliştirilen baştan sona öğrenilmiş yöntemin tamamen analitik olan yöntemlere karşı olan üstünlüğünü göstermektedir. Ayrıca, kapsamlı benzetimlerle, geliştirilen baştan sona öğrenilmiş yöntemin genelleştirme yeteneği ve model uyumsuzluğu analizleriyle, kırpılmış görüntüleme modeli kullanılarak elde edilen iyileşmeler gösterilmektedir.
Özet (Çeviri)
Computational imaging is the process of forming images from indirect measurements using computation. In this thesis, we develop deep learning-based unrolled reconstruction methods for various computational imaging modalities. Firstly, we develop two deep learning-based reconstruction methods for diffractive multi-spectral imaging. The first approach is based on plug-and-play regularization with deep denoisers whereas the second one is an end-to-end learned reconstruction based on unrolling. Secondly, we consider general multidimensional imaging systems whose measurements involve convolution and superposition. We formulate a realistic truncated image formation model and develop a deep learning-based unrolled reconstruction method to solve the associated inverse problem. The performance is illustrated for single-frame deconvolution and diffractive multi-spectral imaging applications. Thirdly, we extend the deep learning-based unrolled reconstruction methods to a compressive spectral imaging modality by considering both the conventional and truncated image formation models. The performance of all the developed methods is comparatively evaluated for sample applications using different convolutional neural network (CNN) architectures, including U-Net. Results illustrate the superior performance of the developed unrolled learned reconstruction methods over purely analytical methods for all simulation settings. We also demonstrate the generalization capability of the developed unrolled reconstruction methods through extensive simulations and perform model mismatch analyses to illustrate the improvement gained with the truncated image formation model.
Benzer Tezler
- Physics-driven deep learning for medical image reconstruction
Tıbbi görüntü geriçatımı için fizik tabanlı derin öğrenme
BİLAL KABAŞ
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. TOLGA ÇUKUR
- Deep learning based saliency prediction in videos
Videolarda derin oğrenme tabanlı belirginlik kestirimi
ÇAĞDAŞ BAK
Yüksek Lisans
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. İBRAHİM AYKUT ERDEM
- Deep learning based unsupervised tissue segmentation in histopathological images
Histopatolojik görüntülerde derin öğrenme temelli öğreticisiz doku bölütlemesi
TROYA ÇAĞIL KÖYLÜ
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÇİĞDEM GÜNDÜZ DEMİR
- Deep learnıng based cell segmentatıon ın hıstopathologıcal ımages
Hi̇stopatoloji̇k görüntülerde deri̇n öğrenme tabanli hücre bölütlemesi̇
DENİZ DOĞAN
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÇİĞDEM GÜNDÜZ DEMİR
- Deep learning based vehicle make and model classification
Derin öğrenme tabanlı araç marka ve model sınıflandırma
BURAK SATAR
Yüksek Lisans
İngilizce
2018
Bilim ve TeknolojiUludağ ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET EMİR DİRİK