Породжувальні моделі та методи глибокого навчання для формування зображень

Скорочена інформація про документ
dc.contributor.advisorНедашківська, Надія Іванівна
dc.contributor.authorЛанько, Анна Анатоліївна
dc.date.accessioned2025-02-10T13:46:20Z
dc.date.available2025-02-10T13:46:20Z
dc.date.issued2024
dc.description.abstractМагістерська дисертація: 100 с., 27 рис., 29 табл., 1 додаток, 41 джерело. У даній роботі розглядаються породжувальні моделі та методи формування зображень на прикладі збільшення роздільності зображень. Проводяться експерименти з власної реалізації моделей SRGAN, VDSR, DRCN, SRCNN та використання технології їх донавчання, здійснюється аналіз результатів та визначається оптимальна модель на основі кількісних та перцепційних показників якості, технічних критеріїв та візуальної оцінки. Об’єкт дослідження – високороздільні зображення, породжені методами глибокого навчання. Предмет дослідження – архітектура та навчання породжувальних моделей та глибоких серед для збільшення роздільності. Метою даної роботи є власна реалізація відомих моделей SISR з більш простою архітектурою та застосування технології донавчання з тонким налаштуванням для знаходження оптимальної за сукупністю показників моделі збільшення роздільності зображень. Наукова новизна роботи полягає у визначенні алгоритмів навчання та об’єктивного оцінювання результатів для забезпечення гнучкості проведення експериментів, оптимізації використання обчислювальних ресурсів, вибору оптимальної моделі для різних вихідних даних та пріоритетних потреб задачі за сукупністю критеріїв. Результатом роботи є програмний продукт для збільшення роздільності зображень, розроблений засобами мови програмування Python.
dc.description.abstractotherMaster's thesis: 100 p., 27 figures, 29 tables, 1 appendix, 41 references. In this work, the generating models and methods of image formation are considered on the example of image resolution increase. Experiments are carried out on the own implementation of SRGAN, VDSR, DRCN, SRCNN models and the use of their training technology, the results are analyzed and the optimal model is determined on the basis of quantitative and perceptual quality indicators, technical criteria and visual assessment. The object of research is high-resolution images generated by deep learning methods. The subject of the study is the architecture and training of generating models and deep learning for resolution enhancement. The purpose of this study is to implement the known SISR models with a simpler architecture and apply the fine-tuning training technology to find the optimal model for increasing image resolution in terms of a set of indicators. The scientific novelty of the work lies in the definition of training algorithms and objective evaluation of results to ensure the flexibility of conducting experiments, optimizing the use of computing resources, selecting the optimal model for different input data and priority needs of the task according to a set of criteria. The result of the work is a software product for increasing image resolution developed using the Python programming language.
dc.format.extent100 с.
dc.identifier.citationЛанько, А. А. Породжувальні моделі та методи глибокого навчання для формування зображень : магістерська дис. : 124 Системний аналіз / Ланько Анна Анатоліївна. - Київ, 2024. - 100 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/72416
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectглибоке навчання
dc.subjectпороджувальні моделі
dc.subjectзбільшення роздільності зображень
dc.subjectперцепційна якість
dc.subjectsrgan
dc.subjectvdsr
dc.subjectdrcn
dc.subjectsrcnn
dc.subjectdeep learning
dc.subjectgenerative models
dc.subjectimage resolution enhancement
dc.subjectperceptual quality
dc.subject.udc303.732.4
dc.titleПороджувальні моделі та методи глибокого навчання для формування зображень
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Lanko_magistr.pdf
Розмір:
3.15 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (ММСА)
Магістерські роботи