توصيفگر ها :
بهبود تصوير , شبكه مولد متخاصم سبك , سوپر رزولوشن , رفع تاري , رفع نويز
چكيده فارسي :
سوپر رزولوشن يك شاخه مهم در زمينه پردازش تصوير و بهبود تصوير است كه هدف آن توليد تصاوير رزولوشن باال از روي تصاوير
با رزولوشن پايين است. امروزه روشهاي پيشتاز در زمينه سوپر رزولوشن و به طوركلي بهبود تصوير از روشهاي مبتني بر هوش
مصنوعي مانند مباني يادگيري عميق و شبكه هاي عصبي استفاده مي كنند. شبكه هاي عصبي در بسياري از مسائل بينايي كامپيوتر
جايگاه ويژه اي پيدا كردهاند. با اين حال اين شبكه ها مشكالتي نظير كمبود داده جهت آموزش وظايف مختلف ، نياز به منابع
پردازشي قدرتمند و.... دارند.
در اين پژوهش،به منظورافزايش كيفيت تصوير سعي شده است يك شبكه مولد متخاصم سبكجهت افزايش رزولوشن،رفع
نويزو رفع تاري از تصوير طراحي شود تا قابليت استفاده در دستگاههاي با منابع پردازشي محدود داشتهباشد . شبكه هاي GAN با
وجود توانايي توليد تصاوير باكيفيت مطلوب، با چالشهاي فرآيند آموزش پيچيده و ناپايداري در عملكرد روبه رو هستند. به همين
دل يل در اين تحقي ق، به عالوهي تالشهايي كه براي بهبود معيارهاي ارزياب ي كيفيت تصاوير انجام مي شود، به پايدارسازي آموزش
آنها ميپرداز يم و همچنين بهينه سازي زمان اجرا و تعداد پارامترهاي شبكه نيز در نظر گرفته ميشود.
شبكه ارائه شده با نام SRGAN-DNDB نتايج PSNR حدود db 32/3 و SSIM حدود 0/88 و PI حدود 3/65و
NIQE حدود 3/97 براي معيارها ي ارزيابي كيفيت تصوير ارائه ميكند. نتايج عددي برتري روش پيشنهادي نسبت به ساير روش
هاي مطرح مبتني بر GAN را نشان مي دهد. با اين نتايج و در كنار معماري سبك شبكه، شبكه ايدهآلي جهت استفاده در
دستگاه هاي با منابع پردازشي محدود فراهم شده است.
چكيده انگليسي :
Super-resolution is an important branch in the field of image processing and image
enhancement, aiming to generate high-resolution images from low-resolution counterpart .
Nowadays, state-of-the-art methods in super-resolution and image enhancement in general,
make use of artificial intelligence-based techniques, deep learning fundamentals, and neural
networks. Neural networks have gained a prominent position in various computer vision
tasks. However, these networks face challenges such as insufficient training data for
different tasks and the need for powerful computational resources.
In this research, the objective was to enhance image quality by designing a lightweight
generative adversarial network (GAN) to increase image resolution, denoise, and deblur
images, making it suitable for resources constrained devices. Although GANs are capable of
producing high-quality images, they require complex and unstable training procedures.
Therefore, this study also focused on optimizing image quality assessment metrics,
stabilizing the training process, optimizing execution time and network parameters.
The proposed network, DNDB-SRGAN, achieves results with a PSNR of approximately
32.3 dB and an SSIM of about 0.87 for reference-based metrics. For no_reference metrics,
it scores around 3.65 for PI and approximately 3.97 for NIQE. With these results and its
lightweight architecture, the network provides an ideal solution for deployment in devices
with limited processing resources.
