Недзельський, О. Ю.Лащевська, Н. О.2023-05-312023-05-312023Недзельський, О. Ю. Реставрацiя зображень методом super-resolution з використанням згорткових нейронних мереж / Недзельський О. Ю., Лащевська Н. О. // Вісник НТУУ «КПІ». Радіотехніка, радіоапаратобудування : збірник наукових праць. – 2023. – Вип. 91. – С. 79-86. – Бібліогр.: 14 назв.https://ela.kpi.ua/handle/123456789/56380Головна мета методу супер роздiльної здатностi (super-resolution) полягає у створеннi зображення бiльш високої роздiльної здатностi з зображень нижчої роздiльної здатностi. Зображення високої роздiльної здатностi забезпечують високу щiльнiсть пiкселiв, отже, бiльше деталей на вихiдному зображенi. Необхiднiсть високої роздiльної здатностi широко поширена у методах комп’ютерного зору, в програмах для розпiзнавання образiв або звичайного аналiзу зображень. Проте зображення високої роздiльної здатностi не завжди є доступними. Це пов’язано з тим, що процеси перетворення та методи для обробки вимагають надпотужних процесiв, тому i обладнання для отримання зображень високої роздiльної здатностi виявляється дорогим. Цi проблеми можуть бути подоланi за допомогою алгоритмiв обробки зображень, якi є вiдносно недорогими, що призвело до появи концепцiї надрозв’язання. Це дає перевагу, тому що може коштувати дешевше, а iснуючi системи вiзуалiзацiї з низькою роздiльною здатнiстю є достатньо доступними. Висока роздiльна здатнiсть має велике значення у медичнiй вiзуалiзацiї для дiагностики. Багато програм вимагають масштабування конкретної областi зображення, при цьому висока роздiльна здатнiсть стає необхiдною, наприклад, для спостереження, кримiналiстики та супутникової вiзуалiзацiї. Наведений в роботi метод з використанням згорткової нейронної мережi для вiдтворення зображень супер роздiльної здатностi напряму виконує перетворення з низького зображення на зображення подiбне до оригiналу. Щоб прискорити час виходу, запропонований метод виконує бiльшiсть обчислювальних операцiй у просторi з низьким дозволом та при цьому зменшення дискретизацiї не призводить до втрати iнформацiї. Головна задача роботи нейронної мережi полягає в реконструкцiї спотвореного зображення та пошуку iдеальної функцiї вiдтворення, по якiй, власне, нейронна мережа простої структури створює якiснi зображення з кращими показниками, таким як роздiльна здатнiсть, спiввiдношення сигнал/шум, меншi часовi витрати на вiдновлення зображення. Пiд час експеременту було визначено алгоритм, по якому запропонована нейронна мережа може реконструювати будь-яке зображення, з рiзними видами спотворень. Метод super-resolution був реалiзований з використанням мови програмування python 3.6 та програмних модулiв для згорткових нейронних мереж tensorflow та tensorlayer. Графiчнi даннi спiввiдношення сигнал/шум, структурної подiбностi та графiки втрат були отриманнi за допомогою модулю tensorboardX.ukсупер роздiльна здатнiстьзгортковi нейронi мережiспiввiдношення сигналу до шумувтрата MSEвтрата VGGкоефiцiєнт зменшення вибiркикодердекодердесубпiксельsuper resolutionconvolutional neural networkssignal-to-noise ratioMSE lossVGG losssampling reduction factorencoderdecoderdesubpixelArticlePp. 79-86https://doi.org/10.20535/RADAP.2023.91.79-86621.372.0610000-0003-2148-115X