Image super-resolution improved by edge information using residual neural networks [recurso eletrônico] = Super-resolução de imagens refinada com informação de bordas utilizando redes neurais residuais
Eldrey Seolin Galindo
DISSERTAÇÃO
Inglês
T/UNICAMP G133i
[Super-resolução de imagens refinada com informação de bordas utilizando redes neurais residuais]
Campinas, SP : [s.n.], 2019.
1 recurso online (64 p.) : il., digital, arquivo PDF.
Orientador: Hélio Pedrini
Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação
Resumo: Assim como em outros domínios do conhecimento, as técnicas de aprendizado profundo revolucionaram o desenvolvimento de abordagens para a super-resolução de imagens. Algoritmos recentes para solucionar este problema têm empregado redes neurais convolucionais em arquiteturas residuais com...
Ver mais
Resumo: Assim como em outros domínios do conhecimento, as técnicas de aprendizado profundo revolucionaram o desenvolvimento de abordagens para a super-resolução de imagens. Algoritmos recentes para solucionar este problema têm empregado redes neurais convolucionais em arquiteturas residuais com várias camadas e funções gerais de perda. Essas estruturas (arquiteturas e funções de perda) são genéricas e não abordam as principais características de uma imagem para a percepção visual humana (luminância, contraste e estrutura), resultando em melhores imagens, no entanto, com ruído principalmente em suas bordas. Neste trabalho, apresentamos e avaliamos um método, denominado super-resolução de imagens refinada com informação de bordas (Edge Enhanced Super-Resolution - EESR) usando uma nova rede neural residual com foco nas bordas da imagem e uma combinação de funções de perda: Peak Signal-to-Noise Ratio (PSNR), L1, Multiple-Scale Structural Similarity (MS-SSIM) e uma nova função baseada na técnica Pencil Sketch. Como principal contribuição do trabalho, o modelo proposto visa alavancar os limites da super-resolução de imagens, apresentando uma melhoria dos resultados em termos da métrica SSIM e alcançando resultados promissores para a métrica PSNR. Os resultados experimentais obtidos mostram que o modelo desenvolvido é competitivo quando comparado com o estado da arte para os quatro conjuntos de dados (Set05, Set14, B100, Urban100) avaliados para super-resolução de imagens
Ver menos
Abstract: As in other knowledge domains, deep learning techniques have revolutionized the development of approaches to image super-resolution. Recent algorithms for addressing this problem have employed convolutional neural networks in multi-layered residual architectures and general loss functions....
Ver mais
Abstract: As in other knowledge domains, deep learning techniques have revolutionized the development of approaches to image super-resolution. Recent algorithms for addressing this problem have employed convolutional neural networks in multi-layered residual architectures and general loss functions. These structures (architectures and loss functions) are generic and do not address the main features of an image for human visual perception (luminance, contrast and structure), resulting in better images, however, with noise mainly at its edges. In this work, we present and evaluate a method, called Edge Enhanced Super Resolution (EESR), using a new residual neural network focusing on the edges of the image and a combination of loss functions: Peak Signal-to-Noise Ratio (PSNR), L1, Multiple-Scale Structural Similarity (MS-SSIM) and a new function based on the Pencil Sketch technique. As main contribution of this work, the proposed model aims to leverage the limits of image super-resolution, presenting an improvement of the results in terms of the SSIM metric and achieving promising results for the PSNR metric. The obtained experimental results show that the developed model is competitive when compared to the state of the art for the four data sets (Set05, Set14, B100, Urban100) evaluated for image super-resolution
Ver menos
Requisitos do sistema: Software para leitura de arquivo em PDF
Image super-resolution improved by edge information using residual neural networks [recurso eletrônico] = Super-resolução de imagens refinada com informação de bordas utilizando redes neurais residuais
Eldrey Seolin Galindo
Image super-resolution improved by edge information using residual neural networks [recurso eletrônico] = Super-resolução de imagens refinada com informação de bordas utilizando redes neurais residuais
Eldrey Seolin Galindo