Zastosowanie głębokich sieci neuronowych do poprawy rozdzielczości obrazów

Szybki rozwój technologii cyfrowych spowodował zapotrzebowanie na obrazy o wysokiej rozdzielczości. Niewyraźne, rozmazane, obrazy o małej liczbie pikseli, stają się nieprzyjemne dla oka. Poprawa rozdzielczości obrazów, nazywana również super-rozdzielczością, jest techniką generowania obrazów o wysokiej rozdzielczości z niskorozdzielczych odpowiedników w taki sposób, aby uzyskać klarowny, ostry obraz o większej liczbie pikseli, bez widocznych zniekształceń. W tym celu stosuje się klasyczne metody interpolacyjne oraz metody głębokiego uczenia.

Celem pracy było zastosowanie głębokich sieci neuronowych do poprawy rozdzielczości obrazów. W pracy opisano modele sieci neuronowych stosowanych w zagadnieniu zwiększania rozdzielczości i dokonano własnej implementacji czterech z nich: SRCNN, ESPCN, VDSR, SRResNet. Wszystkie modele zostały wytrenowane w jednolitych warunkach, przy uwzględnieniu takich samych założeń i ograniczeń, z wykorzystaniem zbioru trenującego zbudowanego na bazie zbioru DIV2K. Modele zostały następnie przetestowane w jednorodnym środowisku testowym, a uzyskane wyniki porównane między sobą pod katem jakości, efektywności oraz możliwości dostosowywania współczynnika skalowania, jak również porównane zostały z klasycznymi metodami poprawy rozdzielczości obrazów (metodami interpolacyjnymi). Końcowy element pracy stanowiła analiza uzyskanych rezultatów oraz rozważanie przyszłych kierunków rozwoju.